ElevenLabs lance Scribe v3 : 27 % d'erreurs en moins en transcription
ElevenLabs a lancé mardi Scribe v3 et Scribe v3 Live, ses nouveaux modèles de reconnaissance vocale. Ce que disent les chiffres, ce qu'ils ne disent pas sur le portugais et ce que ça change si vous sous-titrez des clips.
ElevenLabs lance Scribe v3 : 27 % d'erreurs en moins en transcription
ElevenLabs a lancé ce mardi 10 novembre Scribe v3 et Scribe v3 Live, ses nouveaux modèles de reconnaissance vocale : le premier pour l'audio enregistré, le second pour le temps réel. L'entreprise promet 27 % de mots erronés en moins que Scribe v2, en moyenne sur 102 langues. Mais pour qui sous-titre des clips, le plus intéressant est ailleurs : c'est la séparation des locuteurs, qui progresse justement dans les conversations à trois personnes ou plus.
Les deux modèles sont déjà disponibles dans l'API et sont devenus ceux par défaut dans l'application d'ElevenLabs. L'annonce ne mentionne aucune restriction géographique : ils sont donc utilisables dès aujourd'hui, y compris par les créateurs du marché brésilien.
Qu'est-ce qu'ElevenLabs a annoncé ?
Deux modèles, avec des gains mesurés par rapport à la génération précédente de l'entreprise elle-même. Tous les chiffres ci-dessous viennent de l'article de lancement et de la documentation des modèles, pas d'un test indépendant.
| Scribe v3 (audio enregistré) | Scribe v3 Live (temps réel) | |
|---|---|---|
| Identifiant dans l'API | scribe_v3 |
scribe_v3_live |
| Erreurs de mots par rapport à v2 | 27 % de moins, sur 102 langues | 31 % de moins (43 % de moins sur les erreurs de sens) |
| Séparation des locuteurs | 12 % d'erreurs en moins ; 17 % de moins à partir de trois personnes | Première fois en temps réel |
| Termes clés | Jusqu'à 1 000 | 50 par connexion, plus une bibliothèque pour les gros vocabulaires |
| Audio multilingue | Accepte des langues secondaires indiquées dans l'appel | Mode multilingue, avec changement de langue en pleine phrase |
Sur le jeu de test FLEURS, en moyenne, le taux d'erreur par mot est passé de 16,94 % à 12,38 %, selon la documentation. Parmi les langues mises en avant, l'allemand progresse de 42 %, l'espagnol de 35 % et l'anglais de 23 %. L'entreprise affirme que v3 s'est amélioré dans toutes les langues testées et se trompe moins que tous les concurrents qu'elle a comparés, mais le texte de l'annonce parle seulement d'« autres modèles populaires », sans les nommer.
Un détail pour celles et ceux qui lisent à la loupe : l'article évoque 43 % d'erreurs de sens en moins pour Live, tandis que la documentation annonce 44 %, mesurés sur 73 langues. L'ordre de grandeur est le même, mais ce genre d'écart rappelle que ces chiffres viennent de la maison.
Et le portugais ?
L'annonce ne cite pas le portugais. La bonne nouvelle, c'est qu'il partait déjà haut : dans la documentation de la reconnaissance vocale, le portugais figure au niveau « Excellent » de Scribe v2, avec jusqu'à 5 % d'erreurs par mot.
Cela change la lecture des 27 %. Dans une langue qui se trompait déjà peu, la marge de progression moyenne est plus faible, et le gain a tendance à apparaître là où l'ancien modèle trébuchait : noms propres, argot, gens qui se coupent la parole. C'est ce qui compte dans les sous-titres d'un clip, et FLEURS, qui mesure de la parole lue, ne le mesure pas. J'en ai parlé dans comment mesurer la précision des sous-titres automatiques en portugais : le seul chiffre qui compte est celui de votre audio.
Qu'est-ce que ça change si vous découpez des podcasts et des lives ?
Le gain le plus visible à l'écran, c'est la séparation des locuteurs. Dans un podcast à trois invités, l'erreur classique est que le sous-titre attribue la parole à la mauvaise personne, et le clip qui alterne couleur ou position selon le locuteur part en vrille.
Une baisse de 17 % de cette erreur dans les enregistrements à trois voix ou plus parle surtout à celles et ceux qui préparent le cadrage d'un podcast à deux ou trois personnes. Selon la documentation, v3 accepte jusqu'à 32 locuteurs par fichier.
En temps réel, Live apporte deux nouveautés. La première : savoir qui parle pendant que la personne parle encore. En anglais, ElevenLabs mesure 3,1 % d'erreurs de séparation des locuteurs, contre 5,9 % à 7,3 % pour les autres modèles testés. La seconde : la détection de fin de tour de parole à partir du contexte de la conversation, et pas seulement du silence, ce qui devrait couper moins de phrases en plein milieu. Si vous pensez à clipper un live en temps réel, c'est le genre d'amélioration qui réduit les retouches du début du clip.
Les termes clés sont la fonctionnalité sous-estimée. Vous fournissez la liste des noms que le modèle doit reconnaître (le pseudo du streamer, le nom du jeu, la marque du sponsor) et il arrête d'inventer des orthographes. Dans v3, jusqu'à 1 000 termes tiennent dans la liste, selon la documentation. Pour une chaîne de clips d'un seul créateur, une liste fixe de 30 noms règle déjà une bonne partie des erreurs que vous corrigez aujourd'hui à la main.
Ce qu'on ne sait pas encore
Trois choses manquent à l'annonce :
- Le prix. À la publication de cet article, la page de tarifs de l'API ne listait encore que Scribe v2 (0,20 $US par heure d'audio) et v2 Realtime (0,22 $US), avec les termes clés et l'édition de transcription facturés à part.
- La latence de Live. v2 Realtime affichait une médiane d'environ 150 millisecondes ; v3 Live n'a pas de chiffre publié.
- Le résultat par langue hors des langues mises en avant. Sans chiffre pour le portugais, la promesse d'une amélioration « dans toutes les langues » est tout ce que nous avons.
Que faire maintenant
Si vous utilisez l'API d'ElevenLabs, le changement se résume à l'identifiant du modèle, selon l'entreprise. Avant de basculer en production, passez la même minute d'audio dans v2 et dans v3 et comparez mot par mot, en comptant à part les erreurs sur les noms propres et les nombres. C'est une demi-heure de travail, et ça répond à la question que l'annonce ne traite pas.
Si vous n'intégrez aucune API et voulez simplement des sous-titres sur vos clips, ce qui compte, c'est l'outil que vous utilisez. Sur Cut.Pro, l'IA découpe la vidéo, génère les sous-titres et vous corrigez mot par mot dans l'éditeur avant de publier. Le test de la minute vaut autant pour nous que pour n'importe quel concurrent. Si les sous-titres que vous publiez aujourd'hui sont déjà justes, rien ne change. Si vous perdez encore du temps à corriger le nom des invités, des sous-titres bien faits soutiennent la rétention, et cela vaut la peine d'exiger cette amélioration de votre outil.
