ElevenLabs 发布 Scribe v3 与 v3 Live：把说话人分离带进实时转写

ElevenLabs 于 2026 年 11 月 10 日发布两款语音转文字模型：面向录音的 Scribe v3 与面向实时音频的 Scribe v3 Live。实时链路首次加入说话人分离，并改用对话上下文判断说话是否结束；两款模型当日在 ElevenAPI 可用，从 Scribe v2 升级只需把模型标识改一行。官方发布文含大量百分比与基准对照，本文按本站口径不转述数字，语种清单、配额与价格一律以官网为准。

这次发布的是什么

ElevenLabs 于 2026 年 11 月 10 日发布两款 Speech to Text 模型：Scribe v3 面向已录制音频，Scribe v3 Live 面向实时音频的低延迟链路。按官方发布文的说法，这次针对的是真实环境里的转录难点——多人抢话的会议、说话人在句中停顿、来电者并非使用母语交流，以及转写错误会一路传到下游的摘要与智能体动作。官方把两款模型分别定位为「把录音转对」与「把实时对话转对」，而不是同一模型的两种调用方式。

同一篇发布文还给出几项与工程接入直接相关的变化：实时链路首次加入说话人分离，能标注每段话由谁说出；轮次检测不再只靠静音时长；输出格式可由开发者控制；多语言模式支持句内切换语言。官方同时宣布在 ElevenAgents 里发布一个面向医疗对话优化的 Scribe v3 Live 版本。发布文包含大量百分比、基准对照与数据集说明，本文按本站口径一律不转述数字：能力表述只保留官方给出的定性方向，价格、额度与订阅档位一律以官网为准。

可用性与限制

• 发布时间：官方发布文页内标注 2026 年 11 月 10 日
• 产品入口：官方写明 Scribe v3 Live 当日在 ElevenAgents 可用；两款模型当日在 ElevenAPI 可用，并成为 ElevenLabs app 的默认型号
• 升级方式：官方写明从 Scribe v2 切换到新版本只需把模型标识改为 scribe_v3 或 scribe_v3_live，属于一行改动
• 数据驻留：官方写明默认在美国运行，并为企业客户提供欧盟、印度与新加坡的隔离环境
• 数据处理：官方提供零数据保留模式（Zero Retention Mode），在请求完成后删除音频与文本；具体生效条件以官方文档为准
• 合规口径：官方写明两款模型覆盖 SOC 2、ISO 27001 与 PCI DSS Level 1 项目，可在签署 Business Associate Agreement 后用于符合 HIPAA 条件的场景，并支持私有部署；适用范围以官方合规文档为准
• 医疗版本：面向医疗对话优化的 Scribe v3 Live 版本在 ElevenAgents 发布，具体开放对象以官网为准
• 待开放项：官方提到将开源其自建的真实会议与语音笔记数据集，措辞为后续计划，截至发稿未确认已开放
• 语种清单、并发配额、计费与境内可用性：官方发布文与文档未给出完整口径，以官网为准

主要功能

• 为录音转写标注每段话的说话人
• 在实时转写里首次提供说话人分离
• 用对话上下文判断一句话是否已经说完
• 让数字按需返回为阿拉伯数字或文字
• 传入一批已知会出现的专有名词与术语
• 用自然语言写出转写结果的格式规则

技术原理

据官方说明，实时转写与批量转写的难点不同：流式模型在听到整句之前就要开始输出，各家对数字、标点与大小写的处理方式又不一致，因此单纯比较字面差错会把格式差异也算成错误。官方把这一点写成了方法说明，并把改进方向放在语义层面的转写质量上；本文不引用其中任何分数或对照结果。

轮次检测是这次变化里较容易理解的一层。传统做法靠静音时长判断说话人是否讲完，阈值设短会打断在句中停顿、或慢慢念出一串数字的人，阈值设长又让语音智能体显得迟钝。据官方说明，Scribe v3 Live 同时用对话上下文与音频判断说话是否结束，而不是只看停顿；这套判断此前已用于 ElevenAgents，本次把它开放到 ElevenAPI。说话人分离则是在转写结果里给每个词标注归属，官方说明在三人以上、抢话频繁的录音里做了针对性改进，并把这项能力首次带到实时链路。

输出控制是第三层，与模型权重无关。官方列出三种手段：关键术语提示可传入一批已知会出现的词，例如品牌名、缩写与行业术语；关键术语库用于更大的词表，官方说明模型只在听到疑似匹配时才去查库；转写编辑规则允许用自然语言写出格式要求，例如把日期统一成指定格式。数字也可选择返回为阿拉伯数字或文字。这类能力都属于调用侧可配置的行为，读者可以在自己的测试环境里逐项核对，不必依赖官方给出的评测结论。

实际体验

不做主观实测，只记录官方说明里可核对的行为，以及读者可自行复现的核对路径。

一是升级成本可以按官方说明核对：在已有集成里把模型标识从 Scribe v2 改为 scribe_v3 或 scribe_v3_live，用一段短音频跑一次最小请求，确认服务是否按新标识返回。判断依据是「改动是否只有一行、请求是否成功」，不是转写质量；官方没有给出需要同步修改的其他参数清单，具体以官方文档为准。

二是说话人分离可以按素材类型核对：分别提交一段单人口述与一段三人以上的讨论，观察后者是否在结果里带出说话人标签。实时链路可以用同一段素材走 ElevenAgents 与 ElevenAPI 两条路径对照，看标签是否都出现。判断依据仍是「有没有标签」，不是标签是否每一处都正确；官方没有给出可直接引用的判定阈值。

三是轮次检测可以按停顿形态核对：准备一段在数字或地址中间刻意停顿的语音，观察语音智能体有没有在人还没说完时抢答。传统静音计时方案容易在这种素材上打断，官方说明新方案用的是对话上下文；这类核对动作可复现，且不需要任何基准分数。

四是刻意留空的部分：官方发布文里的百分比、基准对照、自建数据集的开源时间、语种清单与并发配额，都没有可在本地复现的核对动作，只能以官网与官方后续公告为准。把它们补成具体数字或结论属于推测，这里不写。

项目地址与获取方式

发布说明在 ElevenLabs 官方博客，开发者接入说明见 ElevenAPI 文档，语音智能体侧见 ElevenAgents 文档；零数据保留模式的说明在官方开发者文档里，具体地址以发布文内链接为准。请通过官方渠道获取，避免安装被篡改的版本；订阅档位、区域可用性与商用条款一律以官网为准。本站对含大量评测数字的发布文一律只写能力方向，不转述分数，理由也写在这里，便于复核。

适合谁用

• 做会议纪要与笔记产品、需要处理多人抢话场景的团队
• 搭建语音智能体，担心静音计时把用户中途打断的工程团队
• 做临床文档、呼叫中心或广播归档，对说话人归属敏感的业务
• 需要在句中切换语言的多语言客服与联络中心场景
• 对数据驻留有要求、需要评估隔离环境与私有部署的企业
• 不必用：只处理单人清晰短音频、对说话人标签没有需求的应用；也不适合尚未确认数据驻留与合规条款就打算处理敏感录音的团队

常见问题

从 Scribe v2 升级要改很多代码吗？

按官方发布文，不需要。两款新模型在 ElevenAPI 里通过模型标识区分，从 Scribe v2 切换只需把标识改为 scribe_v3 或 scribe_v3_live，属于一行改动，官方也给出了实时连接的调用片段。需要说明的是，这只是模型标识层面的迁移说明，其他参数、配额与返回结构是否要同步调整，官方发布文没有逐条列出，以官方开发者文档为准。

实时转写现在能区分谁在说话吗？

可以，但要看入口。官方说明实时链路首次加入说话人分离，Scribe v3 Live 在 ElevenAgents 与 ElevenAPI 里都能提供该能力；同时官方对批量与实时两种评测口径做了区分，提醒两者结果不能直接横比。本文只记录「能力已提供」这件事，不转述任何错误率数字。具体标签质量如何，读者用自己的会议素材核对更可靠。

音频和文本会留在服务端吗？

官方给出两层安排：默认在美国运行，企业客户可选欧盟、印度与新加坡的隔离环境；另提供零数据保留模式，在请求完成后删除音频与文本。官方还列出合规项目覆盖与私有部署选项。这些是产品侧的可配置项，实际生效条件、适用地区与签署要求以官方合规文档为准，本文不做承诺性表述。

这次有开放权重或本地推理包吗？

官方发布文没有宣布开放权重、可下载的离线模型包或权重仓库。这次给出的是托管服务与 API 侧的接入方式，外加私有部署选项与面向企业的隔离环境——私有部署属于商业安排，不等于权重开放。官方提到的自建数据集开源措辞是后续计划，截至发稿未确认已开放。想要完全离线运行的人应查对应开源项目的一手说明。

相关工具与内容

站内 AI 音频分类、AI 效率办公分类 与 AI 写作分类 汇总了相关工具；ElevenLabs 工具页 与 Whisper 工具页 可对照语音转文字侧的定位差异。脉络上可看 ElevenLabs 评测 与 Mai Voice Transcribe 2 流式转写。