ElevenLabs เปิดตัว Scribe v3 ชูจุดเด่นลดปัญหาตัดสายสนทนา

ประเด็นสำคัญ

• ElevenLabs เปิดตัว Scribe v3 และ Scribe v3 Live โมเดลจดจำคำพูดที่ออกแบบมาเพื่อจัดการกับสถานการณ์เสียงที่ซับซ้อน เช่น การพูดแทรกและเสียงรบกวน รองรับทั้งไฟล์เสียงที่บันทึกไว้ล่วงหน้าและการใช้งานแบบเรียลไทม์
• ผลทดสอบจาก Artificial Analysis ระบุว่า Scribe v3 มีความแม่นยำสูงสุดเป็นอันดับต้นๆ ในตลาด แต่มีข้อสังเกตเรื่องความเร็วในการประมวลผลที่ช้ากว่าและราคาสูงกว่าคู่แข่งอย่าง Microsoft และ xAI
• เวอร์ชันเรียลไทม์มาพร้อมความสามารถในการวิเคราะห์บริบทการสนทนาเพื่อป้องกันการตัดสายผู้โทรในจังหวะหยุดพักสั้นๆ พร้อมขยายความร่วมมือระดับองค์กรกับ Nvidia และ McKinsey

ElevenLabs อัปเกรดระบบจดจำคำพูดเพื่อการสนทนาที่มีประสิทธิภาพยิ่งขึ้น ผลทดสอบอิสระชี้ชัดว่าความแม่นยำสูงต้องแลกมาด้วยต้นทุนและเวลาที่เพิ่มขึ้น

ElevenLabs ได้ประกาศเปิดตัว โมเดล speech-to-text ใหม่สองรุ่น ได้แก่ Scribe v3 และ Scribe v3 Live ซึ่งถูกพัฒนาขึ้นเพื่อรับมือกับสภาพแวดล้อมที่วุ่นวาย เช่น การประชุมที่มีคนพูดแทรกกัน หรือการโทรศัพท์ที่มีเสียงรบกวนหนาแน่น

Scribe v3 ออกแบบมาเพื่อประมวลผลไฟล์เสียงที่บันทึกไว้ล่วงหน้า ส่วน Scribe v3 Live มุ่งเน้นการใช้งานแบบเรียลไทม์ที่ต้องการความหน่วงต่ำ (latency ต่ำ) โดยทั้งสองโมเดลพร้อมใช้งานแล้วผ่าน ElevenAPI สำหรับนักพัฒนา และแพลตฟอร์ม ElevenAgents

จากข้อมูลของ ElevenLabs ระบุว่า Scribe v3 สามารถลดข้อผิดพลาดของคำลงได้ถึง 25% ใน 102 ภาษาเมื่อเทียบกับรุ่นก่อนหน้า โดยเฉพาะภาษาเยอรมันที่พัฒนาขึ้นอย่างชัดเจน รวมถึงระบบแยกแยะผู้พูด (Speaker diarization) ในการสนทนากลุ่มใหญ่ก็ทำงานได้น่าเชื่อถือมากขึ้น และยังถูกนำมาใช้ในโหมดเรียลไทม์ของ Scribe v3 Live เป็นครั้งแรกอีกด้วย

Scribe v3 แม่นยำเหนือชั้น แต่ช้าและแพงกว่าคู่แข่ง

ผลการทดสอบที่เป็นอิสระจาก Artificial Analysis ยืนยันว่า Scribe v3 คือหนึ่งในโมเดลถอดความที่แม่นยำที่สุดในปัจจุบัน โดยทำคะแนนนำหน้าคู่แข่งอย่าง Microsoft, Mistral, xAI, Google และ OpenAI เป็นรองเพียงโมเดลรุ่นพรีวิวของ Alibaba เท่านั้น

อย่างไรก็ตาม สำหรับผู้ที่ต้องการประมวลผลเสียงปริมาณมากด้วยงบประมาณจำกัดและต้องการความเร็วสูง คู่แข่งรายอื่นอาจเป็นตัวเลือกที่เหมาะสมกว่า เนื่องจาก ElevenLabs อยู่ในระดับกลางทั้งด้านความเร็วและราคา ขณะที่โมเดลจาก Microsoft และ xAI ทำงานเร็วกว่าหลายเท่าและราคาถูกกว่าเกือบครึ่ง แม้จะมีอัตราข้อผิดพลาดสูงกว่าเล็กน้อยก็ตาม

ทั้งนี้ การทดสอบดังกล่าวมุ่งเน้นไปที่การวัดผลข้อผิดพลาดของคำในไฟล์บันทึกเสียงเท่านั้น ยังไม่ได้รวมถึงประสิทธิภาพด้านการแยกแยะผู้พูด ภาษาที่พบได้ยาก หรือการทำงานแบบเรียลไทม์ของ Scribe v3 Live ที่ทาง ElevenLabs ได้กล่าวอ้างถึงความก้าวหน้าไว้

Scribe v3 Live แก้ปัญหาเอเย่นต์เสียงตัดสายกลางประโยค

หนึ่งในเป้าหมายสำคัญของ Scribe v3 Live คือการแก้จุดอ่อนของเอเย่นต์เสียงในปัจจุบันที่มักตัดสายผู้โทรเมื่อเกิดจังหวะหยุดคิดหรือหยุดพูดชั่วคราวขณะบอกชุดตัวเลข เนื่องจากใช้ระบบตั้งเวลาหยุดพักแบบตายตัว โมเดลใหม่นี้จะวิเคราะห์บริบทการสนทนาควบคู่กับสัญญาณเสียง เพื่อประเมินให้แน่ชัดว่าผู้พูดสนทนาจบประโยคแล้วจริงๆ หรือไม่

นอกจากนี้ ElevenLabs ยังเปิดให้นักพัฒนาควบคุมการถอดความได้ละเอียดขึ้น เช่น การโหลดคำศัพท์เฉพาะทางหรือชื่อแบรนด์ล่วงหน้านับพันคำเพื่อลดความผิดพลาด การตั้งกฎการจัดรูปแบบตัวเลขและวันที่ รวมถึงโหมดหลายภาษาที่รองรับการสลับภาษาในประโยคเดียว สำหรับลูกค้าระดับองค์กรจะได้รับสิทธิ์ใช้งานเซิร์ฟเวอร์ในสหภาพยุโรปและ zero-retention mode เพื่อความปลอดภัยของข้อมูล

ในขณะเดียวกัน ElevenLabs ยังรุกตลาดองค์กรอย่างต่อเนื่องผ่าน การขยายความร่วมมือกับ Nvidia เพื่อบูรณาการโมเดลภาษา Nemotron 3.5 Super VL เข้ากับ ElevenAgents และพัฒนาระบบควบคุมเสียงในหุ่นยนต์ รวมถึงการประกาศ ความเป็นพันธมิตรกับ McKinsey และการสร้าง marketplace ที่มีบริษัทชั้นนำอย่าง Salesforce, IBM และ Zendesk นำเสนอเอเย่นต์เสียงที่พร้อมใช้งานทันที