Το Scribe v3, το νέο μοντέλο αναγνώρισης ομιλίας της ElevenLabs, φέρνει σημαντικές βελτιώσεις στην αυτόματη απομαγνητοφώνηση, με ιδιαίτερα εντυπωσιακά αποτελέσματα για την ελληνική γλώσσα. Η εταιρεία παρουσίασε στις 10 Νοεμβρίου 2026 τα Scribe v3 και Scribe v3 Live, ανακοινώνοντας μείωση των λαθών αναγνώρισης λέξεων κατά 27% σε 102 γλώσσες για την επεξεργασία ηχογραφήσεων. Στην περίπτωση της ζωντανής αναγνώρισης ελληνικής ομιλίας, οι μετρήσεις της δείχνουν μείωση των λαθών που επηρεάζουν το νόημα κατά 77% σε σύγκριση με το προηγούμενο realtime μοντέλο.
Οι νέες δυνατότητες αποτέλεσαν μέρος των ανακοινώσεων που παρουσίασε η ElevenLabs στο συνέδριό της στη Νέα Υόρκη στις 11 Νοεμβρίου, μαζί με εργαλεία για επιχειρησιακούς AI agents, αυτοματοποίηση εργασιών και μια νέα εφαρμογή παραγωγικότητας. Για τους χρήστες, η ουσιαστικότερη εξέλιξη είναι ότι η τεχνητή νοημοσύνη μπορεί πλέον να καταγράφει με μεγαλύτερη ακρίβεια όσα λέγονται σε μια συνομιλία, να ξεχωρίζει διαφορετικούς ομιλητές σε πραγματικό χρόνο και να αναγνωρίζει καλύτερα πότε κάποιος έχει πραγματικά ολοκληρώσει τη φράση του.
Τι αλλάζει με τα Scribe v3 και Scribe v3 Live
Η ElevenLabs παρουσίασε δύο διαφορετικά μοντέλα, σχεδιασμένα για ανάγκες που μέχρι σήμερα απαιτούσαν διαφορετικούς συμβιβασμούς ανάμεσα στην ταχύτητα και στην ακρίβεια.
Το Scribe v3 προορίζεται κυρίως για την επεξεργασία ήδη καταγεγραμμένου ήχου. Μπορεί να χρησιμοποιηθεί για την απομαγνητοφώνηση συνεντεύξεων, podcasts, επαγγελματικών συναντήσεων, διαλέξεων και μεγάλων αρχείων ηχογραφήσεων.
Το Scribe v3 Live, αντίθετα, επεξεργάζεται την ομιλία καθώς αυτή πραγματοποιείται. Είναι σχεδιασμένο για εφαρμογές που χρειάζονται σχεδόν άμεση μετατροπή φωνής σε κείμενο, όπως τηλεφωνικά κέντρα, υπηρεσίες εξυπηρέτησης πελατών και φωνητικούς AI agents.
Η διαφορά έχει πρακτική σημασία. Σε μια μαγνητοφωνημένη συνέντευξη, το σύστημα μπορεί να επεξεργαστεί ολόκληρο το ηχητικό αρχείο πριν παραδώσει το τελικό κείμενο. Σε μια ζωντανή συνομιλία, όμως, πρέπει να αναγνωρίζει τις λέξεις χωρίς να έχει ακούσει ακόμη ολόκληρη την πρόταση.
Αυτός είναι ένας από τους λόγους για τους οποίους η αναγνώριση ομιλίας σε πραγματικό χρόνο εμφανίζει συχνότερα λάθη, ιδιαίτερα όταν υπάρχουν παύσεις, αλλαγές γλώσσας ή πολλοί συμμετέχοντες.
Η νέα έκδοση επιχειρεί να περιορίσει αυτές τις αδυναμίες, συνδυάζοντας καλύτερη αναγνώριση λέξεων με ακριβέστερη κατανόηση της εξέλιξης μιας συνομιλίας.
Μείωση λαθών κατά 77% στα ελληνικά
Το στοιχείο με το μεγαλύτερο ενδιαφέρον για την ελληνική αγορά αφορά τις επιδόσεις του Scribe v3 Live.
Σύμφωνα με τις δοκιμές της ElevenLabs, το μοντέλο πέτυχε μείωση 77% στο semantic word error rate για τα ελληνικά, σε σύγκριση με το Scribe v2 Realtime.
Ο συγκεκριμένος δείκτης αξιολογεί τα σφάλματα απομαγνητοφώνησης που επηρεάζουν το νόημα του κειμένου και όχι απλώς τις διαφορές στη μορφοποίηση ή στον τρόπο γραφής.
Πρόκειται επομένως για σχετική μείωση ενός δείκτη σφαλμάτων και όχι για ισχυρισμό ότι η αναγνώριση ελληνικών έγινε κατά 77% ακριβέστερη σε κάθε συνθήκη.
Η επίδοση είναι αξιοσημείωτη επειδή τα ελληνικά συγκαταλέγονται στις γλώσσες με τη μεγαλύτερη βελτίωση που δημοσιοποίησε η ElevenLabs.
Στις ίδιες μετρήσεις, η δανική γλώσσα παρουσίασε βελτίωση 54%, η κροατική 45% και η χίντι 36%.
Συνολικά, το Scribe v3 Live μείωσε κατά 43% τα σημασιολογικά λάθη και κατά 31% τα συμβατικά λάθη αναγνώρισης λέξεων σε σχέση με το προηγούμενο realtime μοντέλο, σύμφωνα με την αξιολόγηση της εταιρείας.
Για το Scribe v3, που χρησιμοποιείται στην επεξεργασία ηχογραφημένου ήχου, η μέση μείωση λαθών ανέρχεται σε 27% στις 102 γλώσσες που εξετάστηκαν.
Οι δοκιμές βασίστηκαν σε εσωτερική εκδοχή του πολυγλωσσικού benchmark FLEURS. Συνεπώς, τα ποσοστά αποτελούν αποτελέσματα αξιολόγησης της ElevenLabs και δεν ισοδυναμούν με ανεξάρτητη πιστοποίηση της απόδοσης σε πραγματικές ελληνικές συνομιλίες.
Η τεχνητή νοημοσύνη ξεχωρίζει ποιος μιλάει
Μία από τις σημαντικότερες βελτιώσεις του Scribe v3 αφορά το speaker diarization, δηλαδή τη δυνατότητα αναγνώρισης και διαχωρισμού διαφορετικών ομιλητών μέσα στην ίδια ηχογράφηση.
Για μια απομαγνητοφώνηση συνέντευξης, για παράδειγμα, δεν αρκεί να αναγνωρίζονται σωστά οι λέξεις. Χρειάζεται επίσης να αποδίδονται στο σωστό πρόσωπο.
Η ElevenLabs αναφέρει ότι το Scribe v3 μειώνει τα λάθη απόδοσης ομιλητή κατά 12% συνολικά και κατά 17% στις ηχογραφήσεις με τρεις ή περισσότερους συμμετέχοντες, σε σχέση με το προηγούμενο μοντέλο.
Το Scribe v3 Live φέρνει αντίστοιχη δυνατότητα στη ζωντανή αναγνώριση ομιλίας.
Σε δοκιμές με αγγλόφωνες συνομιλίες, η εταιρεία κατέγραψε ποσοστό σφάλματος 3,1% στον διαχωρισμό των ομιλητών, έναντι 5,9% έως 7,3% για άλλα realtime μοντέλα που συμπεριλήφθηκαν στην αξιολόγηση.
Πρακτικά, αυτό μπορεί να περιορίσει την ανάγκη χειροκίνητης διόρθωσης στα πρακτικά συναντήσεων, στις συνεντεύξεις και στις απομαγνητοφωνήσεις τηλεφωνικών συνομιλιών.
Οι AI agents μαθαίνουν πότε να μην διακόπτουν
Ένα εξίσου σημαντικό πρόβλημα των σημερινών φωνητικών AI agents είναι η διαχείριση των παύσεων.
Πολλά συστήματα βασίζονται σε έναν προκαθορισμένο χρόνο σιωπής για να συμπεράνουν ότι ο χρήστης ολοκλήρωσε την πρότασή του.
Αυτό μπορεί να δημιουργήσει προβλήματα όταν κάποιος σταματά προσωρινά για να θυμηθεί έναν αριθμό, να διαβάσει μια πληροφορία ή να σκεφτεί την απάντησή του.
Το Scribe v3 Live χρησιμοποιεί πλέον και το περιεχόμενο της συνομιλίας για να εκτιμήσει πότε ολοκληρώνεται η σειρά ομιλίας ενός συμμετέχοντα.
Η δυνατότητα αυτή επιτρέπει στους AI agents να περιορίζουν τις πρόωρες διακοπές και να ανταποκρίνονται με πιο φυσικό τρόπο.
Η ElevenLabs πρόσθεσε επίσης υποστήριξη αναγνώρισης αλλαγών γλώσσας ακόμη και μέσα στην ίδια πρόταση, καθώς και μεγαλύτερες βιβλιοθήκες εξειδικευμένων όρων.
Για εφαρμογές που χρησιμοποιούνται σε ιατρικές υπηρεσίες, οικονομικές συναλλαγές ή τεχνική υποστήριξη, η σωστή αναγνώριση ονομάτων, αριθμών και εξειδικευμένης ορολογίας μπορεί να είναι εξίσου σημαντική με τη συνολική ποιότητα της απομαγνητοφώνησης.
Το ElevenAI και οι νέες δυνατότητες του Summit
Στο συνέδριο της Νέας Υόρκης, η ElevenLabs δεν περιορίστηκε στην παρουσίαση των νέων μοντέλων αναγνώρισης ομιλίας.
Η εταιρεία αποκάλυψε επίσης το ElevenAI, μια νέα εφαρμογή που φιλοδοξεί να λειτουργήσει ως ψηφιακός συνεργάτης για επαγγελματίες.
Χρησιμοποιεί το Scribe v3 για υπαγόρευση, καταγραφή συναντήσεων και δημιουργία σημειώσεων. Με τη συγκατάθεση των συμμετεχόντων, μπορεί να επεξεργάζεται μια συνομιλία και να δημιουργεί περίληψη μαζί με τις ενέργειες που προκύπτουν για κάθε μέλος της ομάδας.
Η ElevenLabs ανακοίνωσε την έναρξη δωρεάν πρόσβασης πρώιμης διάθεσης στην υπηρεσία.
Παρουσίασε ακόμη το Memory για τους ElevenAgents, ώστε οι εταιρικοί AI agents να μπορούν να αξιοποιούν πληροφορίες από προηγούμενες συνομιλίες με ταυτοποιημένους πελάτες.
Παράλληλα, οι νέες λειτουργίες Routines επιτρέπουν την αυτοματοποίηση εργασιών πριν και μετά από μια επικοινωνία, όπως την ενημέρωση ενός CRM ή την προετοιμασία ενός επόμενου ραντεβού.
Στις ανακοινώσεις περιλαμβάνονταν επίσης σχέδια για εξειδικευμένη προσαρμογή μοντέλων σε εταιρικά δεδομένα, ένα νέο Interaction Engine για τη διαχείριση συνομιλιών και η επέκταση της συνεργασίας με τη NVIDIA.
Η εταιρεία παρουσίασε επιπλέον το Scribe v3 Medical, μια εξειδικευμένη εκδοχή για την αναγνώριση ιατρικής ορολογίας, όπου η σύγχυση μεταξύ δύο παρόμοιων ονομασιών φαρμάκων μπορεί να έχει σημαντικές συνέπειες.
Διαθεσιμότητα και χρήση στην Ελλάδα
Τα Scribe v3 και Scribe v3 Live είναι ήδη διαθέσιμα μέσω του ElevenLabs API, ενώ η εταιρεία τα έχει ενσωματώσει και στις αντίστοιχες εφαρμογές της.
Οι προγραμματιστές μπορούν να χρησιμοποιούν τα νέα μοντέλα για να προσθέσουν αναγνώριση ομιλίας σε δικές τους υπηρεσίες, χωρίς να αναπτύξουν από την αρχή ξεχωριστή τεχνολογία απομαγνητοφώνησης.
Για τις επιχειρήσεις υπάρχουν επίσης επιλογές απομονωμένης επεξεργασίας δεδομένων εντός της Ευρωπαϊκής Ένωσης, καθώς και λειτουργία Zero Retention, η οποία προβλέπει τη διαγραφή ήχου και κειμένου μετά την ολοκλήρωση ενός αιτήματος.
Η υποστήριξη ελληνικών αποτελεί ήδη μέρος των δυνατοτήτων των νέων μοντέλων, χωρίς να απαιτείται ξεχωριστή μελλοντική ενεργοποίηση της γλώσσας.
Για ελληνικές επιχειρήσεις και επαγγελματίες, οι πιθανές εφαρμογές περιλαμβάνουν απομαγνητοφώνηση συνεντεύξεων, δημιουργία υποτίτλων, πρακτικά συνεδριάσεων και αυτοματοποιημένη εξυπηρέτηση πελατών.
Η ανακοίνωση έχει ιδιαίτερη σημασία και για τον χώρο των ελληνικών μέσων ενημέρωσης, όπου η αναγνώριση φυσικής ομιλίας, ο διαχωρισμός συνομιλητών και η σωστή απόδοση ονομάτων αποτελούν βασικές απαιτήσεις της δημοσιογραφικής εργασίας.
Τα νέα ποσοστά της ElevenLabs δείχνουν ότι η τεχνολογία αναγνώρισης ομιλίας εξελίσσεται με ιδιαίτερα γρήγορο ρυθμό. Το κρίσιμο για την πρακτική αξιοποίησή της θα είναι η απόδοση σε πραγματικές ελληνικές συνομιλίες, με διαφορετικές προφορές, θόρυβο και εξειδικευμένο λεξιλόγιο.
