ElevenLabsは2026年11月10日、音声を文章に変換するモデル「Scribe v3」と、会話を進行しながら文字起こしする「Scribe v3 Live」を発表しました。会議の記録や取材音声、電話応対、音声AIの開発などが想定される用途です。両モデルはElevenAPIに提供され、Scribe v3 Liveは音声AIサービスのElevenAgentsでも使えます。 ElevenLabs公式発表

同社の102言語の評価では、Scribe v3の単語の認識誤りは従来のScribe v2より27%減りました。リアルタイム版では、旧Realtimeモデルと比べ、意味の変化を伴う誤りが43%減ったとしています。いずれも提供元の測定です。日本語音声での精度は、実際に使う録音や通話の条件で確認する必要があります。

Scribe v3とScribe v3 Liveの選び方

録音をあとから正確に書き起こすならScribe v3

Scribe v3は、完成済みの音声ファイルを処理する用途を中心に設計されたモデルです。会議録やインタビューを文字化するとき、複数の発言者を識別する機能を利用できます。専門用語や商品名など、事前に分かっている語句を指定する「Keyterm prompting」にも対応します。

発表では最大1,000語のキーワードを指定できると説明されています。医薬品の名前、会社名、製品の型番など、通常の会話に現れにくい語句の候補を渡せるため、専門分野の文字起こしに使う際の確認材料になります。

数字を「123」のような数値表現として出すか、言葉として出すかの指定、日付表記などの整形ルールを文章で与える機能も紹介されました。出力の形式を整えられても、固有名詞や数字の内容自体は元音声と照合する必要があります。

通話やライブ字幕に使うならScribe v3 Live

Scribe v3 Liveは、入力された音声をその場で文字に変換するモデルです。今回、リアルタイムの文字起こしに話者の識別機能を追加しました。複数人が交互に話す会議や、顧客と担当者の発言を分ける用途が想定されます。

会話が終わったかどうかを判断する「turn detection」にも変更が加わりました。一定時間の無音だけで区切る方式と異なり、話の文脈も参考にする仕組みです。相手が電話番号を言う途中で少し止まっても、発話を早く区切りすぎないことを目指しています。

多言語が混ざる会話に対応するモードや、多数の専門語を蓄積できるキーワードライブラリーも提供します。文字起こしの遅延や誤判定は通信環境、マイクの品質、周辺音、話し方で変わるため、顧客対応へ導入する際は使用する言語と実際の通話条件で確認してください。

Scribe v3の認識誤り改善率27%・43%の測定条件

ElevenLabsの発表には、似た形の改善率が複数登場します。指標を区別して読む必要があります。

録音向けScribe v3の「27%」は、102言語を対象にした単語誤り率(WER)がScribe v2より相対的に減少したという同社の評価です。話者識別は別の指標で、3人以上が参加する録音における識別エラーが従来モデルより17%少なかったとしています。

Scribe v3 Liveの「43%」は、意味が変わる誤りを数えるsemantic WERの改善率です。通常の単語誤り率で比べた改善は31%でした。同社は言語ごとに採点した後に平均する方法を採用しており、別会社のベンチマークの平均点とそのまま比較できるとは案内していません。

ElevenLabsは、102言語の評価にFLEURSの社内版を使い、実際の会議や通話を扱う評価には16言語の独自データを使ったと説明しています。独自データセットは今後公開予定です。発表時点では、一般の利用者による同じ条件での再検証はできません。

どこから使える?API利用と既存システムの更新

公式発表では、両モデルがElevenAPIで利用でき、旧モデルから移行する際はモデルIDを変更する方法が案内されています。新しいIDは録音版が「scribe_v3」、リアルタイム版が「scribe_v3_live」です。

ElevenAgentsではScribe v3 Liveが利用可能になっています。ElevenLabsアプリでも両モデルが既定のモデルとして案内されました。自社で音声文字起こしシステムを作る場合と、同社のアプリでファイルを処理する場合では、利用経路も契約も異なります。

開発者は既存のAPI呼び出しで使用しているモデル名と、タイムスタンプや話者識別を受け取る形式を確認してください。モデルIDを置き換えた後も、既存システム全体の動作を確認してください。発言者数、数字の表記、言語切替のあるテスト音声を用意すると、移行後の差を検査できます。

日本語・料金・データ保護で確認したいこと

ElevenLabsは102言語で精度を評価したとしています。日本語会議の固有名詞、話し言葉、英語混じりの発言でどの程度認識できるかは、利用する音声によって変わります。日本語を扱う場合は、使用するモデルの対応言語と、無料枠・契約に含まれる処理時間を公式画面で確認してください。

同社の既存の料金ページにはScribe v2向けの時間単価が表示されている箇所があります。v3/v3 Liveへ同じ単価を適用できるかは確認できません。新モデルの時間単価は、利用時の契約画面で確かめてください。APIとアプリの課金方法も、契約画面で区別する必要があります。

企業向けには、米国での処理を既定とし、EU・インド・シンガポールの隔離環境を選べる契約、処理完了後に音声・文字を削除するZero Retention Modeなどが案内されています。医療関連用途については、所定のBusiness Associate Agreementを結ぶなど契約上の条件があります。会議参加者の同意、録音の保存先、共有範囲は導入前に確認してください。

会議録・コールセンター・多言語窓口での活用例

会議録なら、録音版で発言者ごとに書き起こし、元音声を聞きながら決定事項と担当者を整理できます。コールセンターでは、通話中のScribe v3 Liveで発言を文章化して検索や担当者の確認を支援する構成が考えられます。海外の顧客と話す窓口では、多言語モードと専門語の登録が検討対象です。

これらは新機能から考えられる利用例です。編集部での実機測定は行っていません。作成された議事録を仕事で確定させる前に、人名、数字、日時、否定の有無を確認してください。

関連する解説

Scribe v3の文字起こし機能を理解したい場合は、音声認識の仕組みを先に確認できます。簡単な会議メモを残す使い方は、ChatGPTの音声入力ガイドにもあります。