ElevenLabs lança Scribe v3: transcrição com 27% menos erros
A ElevenLabs lançou nesta terça o Scribe v3 e o Scribe v3 Live, seus novos modelos de fala para texto. Explico o que os números dizem, o que eles não dizem sobre o português e o que muda para quem legenda corte.
ElevenLabs lança Scribe v3: transcrição com 27% menos erros
A ElevenLabs lançou nesta terça-feira (10) o Scribe v3 e o Scribe v3 Live, seus novos modelos de fala para texto: o primeiro para áudio gravado, o segundo para tempo real. A promessa é de 27% menos palavras erradas que o Scribe v2 na média de 102 idiomas, e para quem legenda corte a parte mais interessante nem é essa: é a separação de quem está falando, que melhorou justamente em conversa com três pessoas ou mais.
Os dois modelos já estão na API e viraram o padrão no app da ElevenLabs. Não há restrição de país no anúncio, então vale para quem está no Brasil desde hoje.
O que a ElevenLabs anunciou?
Dois modelos, com ganhos medidos contra a geração anterior da própria empresa. Os números abaixo são todos do post de lançamento e da documentação de modelos, não de teste independente.
| Scribe v3 (áudio gravado) | Scribe v3 Live (tempo real) | |
|---|---|---|
| Id na API | scribe_v3 |
scribe_v3_live |
| Erro de palavra contra o v2 | 27% menos, em 102 idiomas | 31% menos (43% menos no erro de sentido) |
| Separação de falantes | 12% menos erros; 17% menos com três ou mais pessoas | Primeira vez em tempo real |
| Termos-chave | Até 1.000 | 50 por conexão, mais uma biblioteca para vocabulário grande |
| Áudio com mais de um idioma | Aceita idiomas secundários informados na chamada | Modo multilíngue, com troca no meio da frase |
Na média do conjunto de teste FLEURS, a taxa de erro por palavra caiu de 16,94% para 12,38%, segundo a documentação. Entre os idiomas destacados, alemão melhorou 42%, espanhol 35% e inglês 23%. A empresa diz que o v3 melhorou em todos os idiomas testados e que erra menos que todos os concorrentes que ela comparou, mas no texto do anúncio fala só em "outros modelos populares", sem dar nome.
Um detalhe para quem lê com lupa: o post fala em 43% menos erro de sentido no Live, e a documentação fala em 44%, medido em 73 idiomas. A ordem de grandeza é a mesma, mas é o tipo de diferença que mostra que esses números são da casa.
E o português?
O anúncio não cita o português. A boa notícia é que ele já partia de um lugar alto: na documentação de fala para texto, o português aparece no nível "Excellent" do Scribe v2, com até 5% de erro por palavra.
Isso muda a leitura dos 27%. Em idioma que já errava pouco, o espaço para melhorar na média é menor, e o ganho tende a aparecer onde o modelo antigo tropeçava: nome próprio, gíria, gente falando por cima da outra. É o que importa numa legenda de corte, e o FLEURS, que é fala lida, não mede isso. Escrevi sobre isso em como medir a precisão da legenda automática em português: o único número que vale é o do seu áudio.
O que muda para quem corta podcast e live?
O ganho que mais aparece na tela é a separação de falantes. Em podcast com três convidados, o erro clássico é a legenda atribuir a fala à pessoa errada, e aí o corte que alterna cor ou posição por falante desanda.
Uma queda de 17% nesse erro em gravações com três ou mais vozes é o que mais conversa com quem monta enquadramento de podcast com duas ou três pessoas. O v3 aceita até 32 falantes por arquivo, segundo a documentação.
No tempo real, o Live traz duas coisas novas. Uma é saber quem fala enquanto a pessoa ainda está falando: em inglês, a ElevenLabs mede 3,1% de erro na separação de falantes, contra 5,9% a 7,3% dos outros modelos que ela testou. A outra é a detecção de fim de turno usando o contexto da conversa, e não só o silêncio, o que deve cortar menos frase no meio. Para quem pensa em clipar live em tempo real, é o tipo de melhoria que reduz o retrabalho de ajustar o início do corte.
Os termos-chave são o recurso subestimado. Você passa a lista de nomes que o modelo deve reconhecer (o apelido do streamer, o nome do jogo, a marca do patrocinador) e ele para de inventar grafia. No v3 cabem até 1.000 termos, segundo a documentação. Para canal de corte de um criador só, uma lista fixa com 30 nomes já resolve boa parte dos erros que hoje você corrige à mão.
O que ainda não se sabe
Três coisas ficaram de fora do anúncio:
- Preço. Até a publicação deste post, a página de preços da API ainda listava só o Scribe v2 (US$ 0,20 por hora de áudio) e o v2 Realtime (US$ 0,22), com termos-chave e edição de transcrição cobrados à parte.
- Latência do Live. O v2 Realtime tinha mediana de cerca de 150 milissegundos; o v3 Live não tem número publicado.
- Resultado por idioma fora dos destaques. Sem o número do português, a promessa de "melhorou em todos" é o que temos.
O que fazer agora
Se você usa a API da ElevenLabs, a troca é só o id do modelo, segundo a empresa. Antes de virar a chave em produção, rode o mesmo minuto de áudio no v2 e no v3 e compare palavra por palavra, contando à parte os erros em nome próprio e número. É meia hora de trabalho e responde a pergunta que o anúncio não responde.
Se você não integra API nenhuma e só quer legenda no corte, o que conta é a ferramenta que você usa. Na Cut.Pro, a IA corta o vídeo, gera a legenda e você corrige palavra por palavra no editor antes de publicar. O teste do minuto vale igual para nós e para qualquer concorrente. Se a legenda que você posta hoje já sai certa, nada muda. Se você ainda perde tempo corrigindo nome de convidado, a legenda bem feita segura retenção, e vale cobrar da sua ferramenta essa melhoria.
