AI WORLD HQ
Piensa en una reunión en la que dos personas hablan al mismo tiempo. Al día siguiente lees las notas y descubres que una decisión se atribuyó a la persona equivocada. Ese pequeño error es precisamente lo que la conversión de voz a texto (el software que transforma el audio hablado en palabras escritas) intenta evitar.
Por qué las transcripciones salen mal
ElevenLabs señala que el audio del mundo real rara vez es ordenado. Las personas se interrumpen, hacen pausas a mitad de una frase o cambian de idioma mientras hablan. La empresa afirma que un error al principio de una transcripción se arrastra a todo lo que se construye a partir de ella, como resúmenes, subtítulos y notas de seguimiento, y que esos errores son más costosos de corregir cuanto más tarde los detectas.
Qué hay de nuevo en Scribe v3
ElevenLabs describe dos modelos con funciones diferentes:
- Scribe v3 está pensado para grabaciones que procesas después. La empresa afirma que comete un 27 % menos de errores de palabras que Scribe v2 en 102 idiomas. La tasa de error de palabras (WER, por sus siglas en inglés) es la proporción de palabras que un sistema transcribe incorrectamente, así que un número más bajo significa una transcripción más precisa.
- Scribe v3 Live es la versión de baja latencia (la latencia es el breve retraso entre el momento en que alguien habla y el momento en que aparece el texto), diseñada para audio en directo. ElevenLabs afirma que comete un 43 % menos de errores que Scribe v2 Realtime.
Las etiquetas de hablantes son uno de los principales focos. La diarización (determinar quién dijo qué) forma parte del modelo en tiempo real por primera vez. La empresa afirma que Scribe v3 comete un 17 % menos de errores de diarización que su predecesor en grabaciones con tres o más hablantes, justo donde muchas herramientas tienen dificultades. Scribe v3 Live también incorpora por primera vez la diarización a la transcripción en tiempo real, con un 39 % menos de errores de diarización que el siguiente modelo en tiempo real con mejores resultados de los que se probaron.
La detección de turnos (decidir cuándo alguien ha terminado de hablar) es otro de los cambios. ElevenLabs afirma que Live analiza el contexto de la conversación además del silencio. Eso significa que es menos probable que una persona que hace una pausa a mitad de un número de teléfono sea interrumpida.
También tienes más control sobre el resultado:
- Elige si los números aparecen como cifras o escritos con palabras.
- Proporciona al modelo hasta 1.000 términos clave, como nombres de marcas, siglas o jerga, para que los escriba correctamente.
- Escribe reglas de formato en inglés sencillo, como pedir que las fechas aparezcan siempre en el mismo orden.
- Usa un modo multilingüe en Live para conversaciones que cambian de idioma a mitad de una frase.
- Usa una biblioteca de términos clave para vocabularios mucho más amplios, como catálogos de productos. El modelo solo la consulta cuando detecta una coincidencia probable.
Cómo se midieron las cifras
ElevenLabs probó ambos modelos frente a sus versiones anteriores y a otros modelos populares de voz a texto, utilizando los mismos conjuntos de datos en cada caso. Esos resultados son afirmaciones de la propia empresa, que dice que pronto hará público su conjunto de datos de prueba del mundo real. Toma estos porcentajes como mediciones del proveedor, no como resultados independientes.
En resumen
Scribe v3 y Scribe v3 Live son los modelos de voz a texto más recientes de ElevenLabs. Se centran en reducir los errores, mejorar las etiquetas de hablantes, interpretar mejor las pausas en conversaciones en directo y ofrecer más control sobre los nombres y el formato. Las cifras de la empresa son propias, pero las funciones son lo bastante claras como para que puedas comprobarlas por ti mismo. Como siguiente paso, elige una grabación que ya tengas, escúchala mientras lees la transcripción y fíjate en cómo gestiona los nombres y quién dijo qué. Para consultar los precios, visita la página oficial de precios de ElevenLabs.