ElevenLabs lança Scribe v3 Live para parar de cortar quem liga no meio da frase

A ElevenLabs lançou nesta quinta-feira (12/11) dois modelos de reconhecimento de voz, um para áudio gravado e outro para tempo real que lê o contexto da conversa antes de decidir que a pessoa terminou de falar.

A ElevenLabs lançou nesta quinta-feira (12/11) dois modelos de reconhecimento de voz, um para áudio gravado e outro para tempo real que lê o contexto da conversa antes de decidir que a pessoa terminou de falar.

Dois modelos em vez de um só

A ElevenLabs lançou nesta quinta-feira (12/11) o Scribe v3 e o Scribe v3 Live, dois modelos de reconhecimento de fala (o processo de transformar áudio em texto) pensados para situações bagunçadas: gente falando ao mesmo tempo em reunião, ligação com barulho de fundo, múltiplas vozes se sobrepondo. O Scribe v3 serve para arquivos de áudio já gravados. O Scribe v3 Live mira aplicações de baixa latência em tempo real, como um agente de atendimento por telefone.

Os dois modelos já estão disponíveis via ElevenAPI, a interface de programação para desenvolvedores, e pela ElevenAgents, a plataforma de agentes de voz da empresa. Segundo a ElevenLabs, o Scribe v3 reduz em cerca de 25% os erros de palavra em relação ao modelo anterior, cobrindo 102 idiomas, com melhora relevante específica em alemão. A diarização de falantes (identificar quem está falando a cada trecho) também ficou mais confiável em conversas com mais pessoas, e passa a funcionar em tempo real pela primeira vez no Scribe v3 Live.

Como o modelo em tempo real evita cortar quem só fez uma pausa

O problema que a ElevenLabs diz atacar é conhecido por quem já construiu um agente de voz: sistemas atuais costumam depender de temporizadores rígidos de pausa, que interrompem o interlocutor assim que ele para de falar por alguns segundos, mesmo que seja só para pensar ou ler um número em voz alta devagar. O Scribe v3 Live analisa o contexto conversacional junto com o sinal de áudio para tentar distinguir uma pausa de um fim de fala real.

Na prática, isso muda o ponto de decisão do agente: em vez de cortar por tempo fixo, o sistema tenta entender se a frase está semanticamente completa antes de assumir a vez de falar. Para quem constrói agentes de atendimento por telefone, isso ataca um problema conhecido de quem já usou esse tipo de sistema: a sensação de estar conversando com uma máquina impaciente.

O benchmark independente mostra uma troca entre precisão e velocidade

A Artificial Analysis, organização que faz benchmarks independentes de modelos de IA, testou o Scribe v3 e confirma que ele está entre os modelos de transcrição mais precisos do mercado hoje, à frente de concorrentes da Microsoft, Mistral, xAI, Google e OpenAI, ficando atrás apenas de um modelo em prévia da Alibaba. O preço medido no benchmark é de 3,33 dólares por 1.000 minutos de áudio processado.

Essa precisão tem custo em velocidade e em dinheiro. Modelos da Microsoft e da xAI rodam muitas vezes mais rápido, com taxa de erro só marginalmente maior, e custam aproximadamente metade do preço.

O benchmark da Artificial Analysis mede só erro de palavra em arquivos gravados. Ele não avalia a diarização, o desempenho em idiomas raros nem o comportamento em tempo real do Scribe v3 Live, que é justamente o diferencial que a ElevenLabs está vendendo para quem monta agente de voz.

Controles que chegam junto para quem desenvolve

Quem constrói um agente com o Scribe v3 ou v3 Live ganha algumas alavancas de configuração direto na API:

• Carregar antecipadamente milhares de termos específicos do domínio, como nomes de marca ou de medicamentos, para reduzir erro em vocabulário técnico
• Definir regras de formatação para números e datas em linguagem natural
• Ativar um modo multilíngue que lida com troca de idioma no meio da mesma frase

Para clientes enterprise, a ElevenLabs oferece servidores isolados na União Europeia e um modo de retenção zero, que apaga os dados imediatamente após cada requisição processada. Isso importa para quem opera call center ou suporte com dado sensível de saúde ou financeiro, onde a exigência de descarte imediato de áudio costuma aparecer em contrato.

As parcerias empresariais crescem junto com o lançamento

A ElevenLabs também ampliou sua parceria com a Nvidia no mesmo anúncio. Isso inclui integrar o Nemotron 3.5 Super VL, modelo de linguagem aberto da Nvidia, à plataforma ElevenAgents, garantir capacidade extra de computação rodando em infraestrutura Nvidia, desenvolver controle de voz local para robôs e operar um agente telefônico para o sistema público de saúde da Polônia.

A empresa fechou ainda uma aliança com a consultoria McKinsey, lançou um programa de parceiros voltado a integradores de sistemas e abriu um marketplace próprio onde empresas como Salesforce, IBM e Zendesk oferecem agentes de voz prontos para uso.

O que ainda não está respondido para quem decide no Brasil

A ElevenLabs cita melhora específica em alemão entre os 102 idiomas suportados, mas não traz nenhum dado específico sobre o desempenho em português, nem no Scribe v3 nem no Scribe v3 Live. Quem pensa em usar o modelo para atendimento em português do Brasil ainda depende de teste próprio para saber se a melhora de 25% nos erros se repete no idioma local.

Também fica em aberto como o Scribe v3 Live se comporta de fato em produção, já que o benchmark independente da Artificial Analysis não cobre comportamento em tempo real nem o critério central do anúncio, que é parar de cortar quem está falando. Para quem processa grande volume de áudio com restrição de orçamento, a conta ainda pesa a favor de concorrentes mais baratos e mais rápidos, mesmo com erro levemente maior.

Fonte: The Decoder