ElevenLabsが音声認識モデル「Scribe」を発表──音声合成企業が文字起こしにも参入
ElevenLabsが、自社初となる音声認識(ASR)モデル「Scribe」を発表しました。これまで音声合成・吹き替え・対話エージェントを手がけてきた同社が、音声からテキストへの変換という逆方向の領域にも本格参入したことになります。
詳細
- 対応言語: 99言語での文字起こしに対応
- 精度: 英語での文字起こし精度は96.7%を記録したとされ、当時最高水準の精度を主張
- 付加機能: 単語単位のタイムスタンプ付与や話者分離(スピーカーダイアライゼーション)、音声イベントのタグ付けにも対応
- 提供形態: スタンドアロンのAPIとして提供され、既存の音声合成・エージェント製品群と組み合わせて利用可能
- 報道時点の反響: TechCrunchなど複数の海外メディアが、音声合成企業による自社ASRモデル投入として取り上げた
その後
Scribeの投入により、ElevenLabsは音声の「生成」と「認識」を自社モデルで揃えた数少ない企業の一つとなりました。以後もScribe v2・Scribe v2 Realtimeとリアルタイム性能を高めながら、Dubbing v2やMusic v2など2026年の製品群拡大へとつながっていきます。