ElevenLabs lance Scribe v2 : Le modèle de reconnaissance vocale le plus précis du marché
Points Clés
- ✓ Scribe v2 Realtime offre une latence de 150ms pour la transcription en direct - aussi basse que 30-80ms dans des conditions optimisées
- ✓ Prend en charge plus de 90 langues avec détection automatique de la langue et transcription prédictive
- ✓ La version Batch inclut le prompting de mots-clés pour jusqu'à 100 termes techniques et la détection d'entités pour 56 catégories de données
- ✓ La diarisation des locuteurs prend en charge jusqu'à 48 locuteurs distincts avec horodatages
- ✓ 93,5% de précision sur les benchmarks multilingues - surpasse Whisper et Gemini Flash
Ce qui s’est passé
ElevenLabs a lancé Scribe v2, une nouvelle génération de modèles de reconnaissance vocale que l’entreprise affirme être le système de transcription le plus précis disponible. Le lancement comprend deux versions spécialisées :
- Scribe v2 Realtime (6 janvier 2026) - Optimisé pour l’IA conversationnelle en direct et les agents vocaux
- Scribe v2 Batch (9 janvier 2026) - Conçu pour le traitement audio long format, le sous-titrage et la création de sous-titres à grande échelle
Ce lancement positionne ElevenLabs en concurrence directe avec Whisper d’OpenAI, la reconnaissance vocale de Google et les services de transcription entreprise comme Rev et Otter.ai.
Essayez ElevenLabs Scribe v2
Découvrez la transcription vocale la plus précise avec support de plus de 90 langues et latence ultra-faible.
Essayer ElevenLabs Gratuitement →Scribe v2 Realtime : Conçu pour l’IA conversationnelle
La version Realtime est spécialement conçue pour les applications en direct où la latence est importante - assistants vocaux, sous-titrage en temps réel et agents d’IA conversationnelle.
Capacités clés
| Fonctionnalité | Spécification |
|---|---|
| Latence | Moins de 150ms typiquement, 30-80ms optimisé |
| Langues | 90+ avec détection automatique |
| Précision | 93,5% sur les benchmarks multilingues |
| Détection d’activité vocale | VAD intégré |
Comment ça fonctionne
Scribe v2 Realtime utilise la transcription prédictive - le modèle anticipe les mots et la ponctuation à venir en fonction du contexte, réduisant la latence perçue. Contrairement aux systèmes ASR traditionnels qui attendent des énoncés complets, Scribe v2 diffuse des résultats partiels pendant que le locuteur parle.
Le système détecte automatiquement quelle langue est parlée, gère l’alternance codique entre les langues et s’adapte aux accents et au bruit de fond sans configuration manuelle.
Performance vs. concurrents
Selon les benchmarks d’ElevenLabs, Scribe v2 Realtime surpasse :
- OpenAI Whisper - Meilleure précision dans les conditions bruyantes
- Google Gemini Flash - Latence plus faible avec une précision comparable
- Amazon Transcribe - Meilleure gestion des accents et dialectes
Scribe v2 Batch : Transcription de niveau entreprise
La version Batch cible différents cas d’usage - longs épisodes de podcast, enregistrements de réunions, sous-titres vidéo et transcription juridique/médicale où la précision et le détail importent plus que la vitesse.
Prompting de mots-clés
Les utilisateurs peuvent saisir jusqu’à 100 termes techniques (noms de marques, noms de produits, jargon) pour assurer une précision contextuelle. C’est particulièrement précieux pour :
- La transcription médicale (noms de médicaments, procédures)
- Les dépositions juridiques (noms d’affaires, terminologie juridique)
- Le contenu technique (noms de produits, termes d’API)
- Le contenu de marque (noms d’entreprises, marques déposées)
Détection d’entités
Scribe v2 Batch identifie et horodate automatiquement 56 catégories de données sensibles, notamment :
- Informations de santé (données pertinentes HIPAA)
- Détails de paiement (numéros de carte de crédit, comptes bancaires)
- Informations personnelles identifiables (numéros de sécurité sociale, adresses, numéros de téléphone)
- Identifiants (mots de passe, clés API mentionnées dans les enregistrements)
Cette fonctionnalité est conçue pour les flux de conformité où les organisations doivent masquer les informations sensibles avant de partager les transcriptions.
Diarisation des locuteurs
Le modèle prend en charge l’étiquetage pour jusqu’à 48 locuteurs distincts et inclut le marquage audio pour les événements non vocaux comme les rires, applaudissements et musique. Chaque segment de locuteur inclut des horodatages précis.
Pourquoi c’est important
Pour les créateurs de contenu
La transcription est un flux de travail fondamental pour les podcasteurs, YouTubers et producteurs vidéo. La transcription automatisée et précise permet :
- Archives de contenu recherchables - Trouvez n’importe quel moment en cherchant dans la transcription
- Accessibilité - Générez automatiquement des sous-titres
- Réutilisation - Convertissez le contenu audio en articles de blog, clips sociaux, newsletters
- SEO - Les moteurs de recherche indexent le contenu des transcriptions
Pour les développeurs d’IA vocale
Le modèle Realtime est conçu pour alimenter la prochaine génération d’assistants vocaux et d’agents. Avec une latence inférieure à 150ms, les développeurs peuvent créer des expériences conversationnelles qui semblent véritablement réactives.
Pour les entreprises
La combinaison de détection d’entités, diarisation des locuteurs et prompting de mots-clés répond à de vrais besoins de conformité et de flux de travail :
- Juridique - Transcriptions de dépositions précises avec identification des locuteurs
- Santé - Transcription conforme HIPAA avec détection automatique des PII
- Finance - Comptes rendus de réunions avec masquage automatique des chiffres sensibles
Comment accéder à Scribe v2
Les deux modèles sont disponibles via :
- API ElevenLabs - Pour les développeurs intégrant la transcription dans les applications
- ElevenLabs Studio - Interface web pour les tâches de transcription manuelle
- ElevenLabs Agents - Intégré à la plateforme d’IA conversationnelle
Tarification
Scribe v2 suit le modèle d’abonnement par niveaux d’ElevenLabs avec des quotas mensuels spécifiques pour les heures de transcription batch et temps réel. Les clients entreprise peuvent négocier des tarifs personnalisés pour les besoins à fort volume.
Sécurité et conformité
ElevenLabs met l’accent sur la sécurité de niveau entreprise :
- Conformité SOC 2 Type II
- Préparation HIPAA pour les applications de santé
- Modes de Rétention Zéro pour les charges de travail sensibles (l’audio est supprimé après traitement)
Construisez avec ElevenLabs Voice AI
Accédez à Scribe v2 ainsi qu'au text-to-speech, clonage de voix et IA conversationnelle sur une seule plateforme.
Commencez gratuitement →La vision d’ensemble
ElevenLabs s’est rapidement développé d’une startup de text-to-speech à une plateforme complète d’IA vocale. Scribe v2 complète la boucle audio - les utilisateurs peuvent maintenant :
- Générer de la voix avec le text-to-speech et le clonage de voix
- Transcrire la voix en texte avec Scribe v2
- Construire des agents qui combinent les deux dans des conversations en temps réel
Cela positionne ElevenLabs comme une plateforme tout-en-un pour l’IA vocale, en concurrence avec des acteurs plus importants comme Google, Amazon et Microsoft qui offrent des capacités similaires à travers des produits fragmentés.
Questions fréquentes
Comment Scribe v2 se compare-t-il à OpenAI Whisper ?
ElevenLabs affirme que Scribe v2 atteint 93,5% de précision sur les benchmarks multilingues, surpassant Whisper particulièrement dans les conditions bruyantes et avec des accents. La version Realtime offre également une latence nettement inférieure à l'architecture orientée batch de Whisper.
Quelles langues Scribe v2 prend-il en charge ?
Scribe v2 prend en charge plus de 90 langues avec détection automatique de la langue. Le modèle peut gérer l'alternance codique entre les langues au sein du même audio sans configuration manuelle.
Scribe v2 est-il conforme HIPAA ?
Oui, ElevenLabs propose des options de déploiement prêtes pour HIPAA pour les applications de santé, y compris des modes de Rétention Zéro où l'audio est supprimé immédiatement après traitement.
Qu'est-ce que le prompting de mots-clés ?
Le prompting de mots-clés vous permet de fournir jusqu'à 100 termes spécifiques (noms de marques, jargon technique, noms propres) que le modèle doit reconnaître avec précision. Cela améliore la précision pour le contenu spécifique à un domaine.
Combien de locuteurs Scribe v2 peut-il distinguer ?
La version Batch prend en charge la diarisation des locuteurs pour jusqu'à 48 locuteurs distincts, avec des horodatages pour chaque segment de locuteur et un étiquetage automatique des événements non vocaux.
Quelle est la latence pour la transcription en temps réel ?
Scribe v2 Realtime atteint généralement moins de 150ms de latence, avec des configurations optimisées atteignant 30-80ms. C'est assez rapide pour les applications d'IA conversationnelle en direct.