ElevenLabs lanza Scribe v3: transcripción con 27% menos errores
ElevenLabs lanzó este martes Scribe v3 y Scribe v3 Live, sus nuevos modelos de voz a texto. Te explico qué dicen los números, qué no dicen sobre el portugués y qué cambia para quien pone subtítulos a sus clips.
ElevenLabs lanza Scribe v3: transcripción con 27% menos errores
ElevenLabs lanzó este martes (10 de noviembre) Scribe v3 y Scribe v3 Live, sus nuevos modelos de voz a texto: el primero para audio grabado, el segundo para tiempo real. La promesa es 27% menos palabras erróneas que Scribe v2 en el promedio de 102 idiomas, y para quien pone subtítulos a sus clips lo más interesante ni siquiera es eso: es la separación de quién está hablando, que mejoró justamente en conversaciones de tres personas o más.
Los dos modelos ya están en la API y pasaron a ser los predeterminados en la app de ElevenLabs. El anuncio no menciona restricciones por país, así que desde hoy también aplica para quienes están en Brasil.
¿Qué anunció ElevenLabs?
Dos modelos, con mejoras medidas frente a la generación anterior de la propia empresa. Todos los números de abajo salen del post de lanzamiento y de la documentación de modelos, no de una prueba independiente.
| Scribe v3 (audio grabado) | Scribe v3 Live (tiempo real) | |
|---|---|---|
| Id en la API | scribe_v3 |
scribe_v3_live |
| Error de palabra frente a v2 | 27% menos, en 102 idiomas | 31% menos (43% menos en error de sentido) |
| Separación de hablantes | 12% menos errores; 17% menos con tres o más personas | Primera vez en tiempo real |
| Términos clave | Hasta 1.000 | 50 por conexión, más una biblioteca para vocabularios grandes |
| Audio con más de un idioma | Acepta idiomas secundarios indicados en la llamada | Modo multilingüe, con cambio en medio de la frase |
En el promedio del conjunto de prueba FLEURS, la tasa de error por palabra bajó de 16,94% a 12,38%, según la documentación. Entre los idiomas destacados, el alemán mejoró 42%, el español 35% y el inglés 23%. La empresa dice que v3 mejoró en todos los idiomas probados y que se equivoca menos que todos los competidores que comparó, pero en el texto del anuncio solo habla de "otros modelos populares", sin nombrarlos.
Un detalle para quien lee con lupa: el post habla de 43% menos error de sentido en Live, y la documentación habla de 44%, medido en 73 idiomas. El orden de magnitud es el mismo, pero es el tipo de diferencia que muestra que estos números son de la casa.
¿Y el portugués?
El anuncio no menciona el portugués. La buena noticia es que ya partía de un nivel alto: en la documentación de voz a texto, el portugués aparece en el nivel "Excellent" de Scribe v2, con hasta 5% de error por palabra.
Eso cambia la lectura del 27%. En un idioma que ya fallaba poco, hay menos margen para mejorar en promedio, y la mejora tiende a aparecer donde el modelo anterior tropezaba: nombres propios, jerga, gente hablando encima de otra. Eso es lo que importa en el subtítulo de un clip, y FLEURS, que es habla leída, no lo mide. Escribí sobre eso en cómo medir la precisión de los subtítulos automáticos: el único número que vale es el de tu propio audio.
¿Qué cambia para quien corta podcasts y directos?
La mejora que más se nota en pantalla es la separación de hablantes. En un podcast con tres invitados, el error clásico es que el subtítulo le atribuya la frase a la persona equivocada, y entonces el clip que alterna color o posición por hablante se desarma.
Una caída de 17% en ese error en grabaciones con tres o más voces es lo que más le habla a quien arma el encuadre vertical de un podcast con dos o tres personas. v3 admite hasta 32 hablantes por archivo, según la documentación.
En tiempo real, Live trae dos novedades. Una es saber quién habla mientras la persona todavía está hablando: en inglés, ElevenLabs mide 3,1% de error en la separación de hablantes, contra 5,9% a 7,3% de los otros modelos que probó. La otra es la detección de fin de turno usando el contexto de la conversación y no solo el silencio, lo que debería cortar menos frases por la mitad. Para quien está pensando en clipear directos en tiempo real, es el tipo de mejora que reduce el retrabajo de ajustar el inicio del clip.
Los términos clave son la función subestimada. Pasas la lista de nombres que el modelo debe reconocer (el apodo del streamer, el nombre del juego, la marca del patrocinador) y deja de inventar grafías. En v3 caben hasta 1.000 términos, según la documentación. Para el canal de clips de un solo creador, una lista fija de 30 nombres ya resuelve buena parte de los errores que hoy corriges a mano.
Lo que todavía no se sabe
Tres cosas quedaron fuera del anuncio:
- Precio. Hasta la publicación de este artículo, la página de precios de la API seguía listando solo Scribe v2 (US$ 0,20 por hora de audio) y v2 Realtime (US$ 0,22), con términos clave y edición de transcripciones cobrados aparte.
- Latencia de Live. v2 Realtime tenía una mediana de unos 150 milisegundos; v3 Live no tiene un número publicado.
- Resultado por idioma fuera de los destacados. Sin el número del portugués, la promesa de "mejoró en todos" es lo que tenemos.
Qué hacer ahora
Si usas la API de ElevenLabs, el cambio es solo el id del modelo, según la empresa. Antes de pasar la llave en producción, corre el mismo minuto de audio en v2 y en v3 y compara palabra por palabra, contando aparte los errores en nombres propios y números. Es media hora de trabajo y responde la pregunta que el anuncio no responde.
Si no integras ninguna API y solo quieres subtítulos en tus clips, lo que cuenta es la herramienta que usas. En Cut.Pro, la IA corta el video, genera los subtítulos y tú los corriges palabra por palabra en el editor antes de publicar. La prueba del minuto vale igual para nosotros y para cualquier competidor. Si los subtítulos que publicas hoy ya salen bien, nada cambia. Si todavía pierdes tiempo corrigiendo el nombre de los invitados, los subtítulos bien hechos sostienen la retención, y vale la pena exigirle esa mejora a tu herramienta.
