TechCrunch 2025-02-27 12:10 北京
可识别说话人，单词级别的时间戳，自动标记声音事件
图片来源：ElevenLabs
AI 初创公司 ElevenLabs，刚刚筹集了 1.8 亿美元巨额融资 ，主要以其音频生成能力而闻名。该公司通过推出首个独立语音转文本模型 Scribe，迈向了另一个技术方向。
这家估值 33 亿美元的初创公司通过其庞大的语音库，已助力众多企业提供语音转文本服务。然而，该公司现正寻求进军语音检测领域，与 Gladia、Speechmatics、AssemblyAI、Deepgram 以及 OpenAI 的 Whisper 模型等竞争者一较高下。
ElevenLabs 的 Scribe 模型在发布时支持超过 99 种语言。该公司将该模型中的超过 25 种语言归类为“优秀准确度”类别，其中词错误率低于 5%。
该列表包括英语（声称准确率为 97%）、法语、德语、印地语、印度尼西亚语、日语、卡纳达语、马拉雅拉姆语、波兰语、葡萄牙语、西班牙语和越南语。
其他语言则根据词错误率的高低分为不同类别：高（5%至 10%词错误率）、良好（10%至 20%词错误率）和中等（25%至 50%词错误率）。
该公司表示，在 FLEURS 和 Common Voice 基准测试中，该模型在多种语言上均优于 Google Gemini 2.0 Flash 和 Whisper Large V3。
ElevenLabs 已为其去年发布的 AI 对话代理平台开发了语音转文本组件。然而，这是该公司首次发布独立的语音检测模型。在上个月与 TechCrunch 的对话中，CEO Mati Staniszewski 谈到了改进语音检测模型。
图片来源：ElevenLabs
“我们想要更好地理解对话中所说的内容。我们的研究不仅需要生成内容，还要理解和转录语音。”
Staniszewski 当时说道。“许多人认为语音转文字已经是个已解决的问题。但对于许多语言来说，它的表现相当糟糕。我们认为我们可以构建更好的语音检测模型，因为我们有内部团队来标注数据并迅速给予反馈。”
该模型还具备智能说话人分离功能，可识别谁在说话，提供单词级别的时间戳以确保字幕的准确性，并自动标记声音事件，如观众笑声。这家初创公司为客户提供了一种方式，可直接在工作室中将视频内容转录，以添加字幕或说明。
Scribe 目前仅支持预录制的音频格式。公司表示将很快发布低延迟的实时版本模型。这意味着它目前还不适用于会议转录或语音笔记。
ElevenLabs 将 Scribe 的定价定为每小时转录音频 0.40 美元。虽然这一价格具有竞争力，但部分竞争对手目前以更低的价格提供音频转录服务，并具备一些功能上的差异。
本文翻译自：Techcrunch
https://techcrunch.com/2025/02/26/elevenlabs-is-launching-its-own-speech-to-text-model/
编译：ChatGPT
-----------END-----------
? 我们正在招募新一期的实习生
? 我们正在寻找有创造力的00后创业
关于Z Potentials
