Le suivi des locuteurs s’étend au direct avec Scribe v3 Live

Deux modèles de transcription ciblent les enregistrements et les échanges en direct, avec des progrès annoncés sur les mots et le suivi des locuteurs.

Dans une réunion, une transcription peut contenir les bons mots tout en les attribuant à la mauvaise personne. Au téléphone, une hésitation peut être interprétée comme la fin d’une réponse. Ces difficultés font partie des usages ciblés par les modèles Scribe v3 et Scribe v3 Live, développés par ElevenLabs pour convertir la parole en texte.

Le premier traite les enregistrements ; le second transcrit les échanges en temps réel et ajoute le suivi des locuteurs, appelé diarisation. Les deux sont accessibles dans ElevenAPI. La version Live est également disponible dans ElevenAgents, tandis que Scribe v3 devient le modèle de transcription par défaut dans l’application. Des gains différents selon ce que l’on mesure

Pour les enregistrements, le fournisseur rapporte une réduction relative de 27 % du taux d’erreur sur les mots par rapport à Scribe v2. Cette mesure, désignée par WER, tient compte des mots remplacés, omis ou ajoutés par rapport à une transcription de référence.

Pour le direct, le chiffre de 43 % mis en avant dans l’annonce concerne une autre mesure : le taux d’erreur sémantique, qui se concentre sur les différences affectant le sens. La baisse du taux d’erreur classique atteint, elle, 31 % par rapport à Scribe v2 Realtime. Ces résultats ne signifient donc ni 43 points de précision supplémentaires ni une réduction identique de toutes les erreurs.

Le billet de lancement situe ces comparaisons sur une version interne de FLEURS couvrant 102 langues, chacune comptant autant dans la moyenne. Ce test porte sur de courts extraits de parole lue dans de bonnes conditions sonores. Il ne suffit pas, à lui seul, à établir les performances dans une réunion bruyante. Un second jeu interne rassemble des réunions, des appels et des notes vocales dans seize langues ; sa publication est annoncée. Attribuer chaque passage à la bonne personne

Sur les enregistrements comprenant au moins trois personnes, les erreurs de diarisation diminueraient de 17 % par rapport à Scribe v2, selon les évaluations du fournisseur.

Pour la nouvelle fonction de diarisation en direct, le taux annoncé est de 3,1 % sur la partie anglaise du jeu de données conversationnel, contre 5,9 % à 7,3 % pour les autres modèles temps réel testés. Le protocole aligne toutefois les transcriptions sur une référence avant de les noter, afin d’isoler l’attribution des mots aux locuteurs.

Ce résultat mesure donc une tâche précise. Il ne décrit pas toutes les erreurs d’une transcription complète et ne peut pas être comparé directement aux scores obtenus sur les enregistrements. Une pause ne suffit plus à décider de la fin d’un échange

Pour les agents vocaux, la version Live utilise le contexte de la conversation afin d’estimer si une personne a terminé son tour. L’objectif est de mieux distinguer une réponse achevée d’une pause au milieu d’un numéro ou d’une phrase.

La documentation sur les stratégies de transcription précise que cette fonction doit être activée explicitement dans l’API. Changer uniquement de modèle ne suffit pas. La détection du silence reste également active : le contexte apporte un signal supplémentaire à la décision.

La personnalisation du vocabulaire accompagne ces changements. Pour les enregistrements, Scribe v3 accepte jusqu’à mille termes fournis à l’avance, comme des noms propres, des sigles ou du jargon. Des consignes rédigées en anglais courant permettent aussi d’appliquer des règles de présentation au texte, par exemple un format uniforme pour les dates. La version Live dispose, de son côté, d’une bibliothèque de termes spécialisés. Un retour d’usage sur les codes postaux néerlandais

Lors d’essais réalisés avec l’agent vocal de l’énergéticien Eneco, les codes postaux néerlandais auraient été reconnus correctement dès la première tentative 40 % plus souvent. Pour les numéros de rue, le gain annoncé atteint 15 %.

Ces valeurs concernent la réussite au premier essai sur des informations particulières, et non la précision générale du modèle. Les taux de départ, le nombre d’appels évalués et le détail du protocole ne sont pas fournis dans le billet. Ce retour illustre un usage concret, sans permettre d’estendre ces gains à tous les appels.