ElevenLabs Scribe v2

Что такое ElevenLabs Scribe v2

Scribe v2 — модель распознавания речи, которую ElevenLabs выпустила 9 января 2026 года. На сегодня это самая точная модель расшифровки на рынке, и это не маркетинговое заявление компании, а результат независимого замера Artificial Analysis.

Моделей на самом деле две: Scribe v2 для обработки готовых файлов и Scribe v2 Realtime для живой расшифровки с задержкой менее 150 миллисекунд.

Насколько она точнее остальных

По сводному индексу AA-WER (чем меньше, тем лучше) расстановка получилась такая:

• ElevenLabs Scribe v2 — 2.2%
• Microsoft MAI-Transcribe-1.5 — 2.4%
• Mistral Voxtral Small — 2.8%
• Google Gemini 2.5 Pro — 2.9%
• AssemblyAI Universal-3 Pro — 3.1%
• Deepgram Nova-3 — 5.2%

Разрыв с ближайшим преследователем невелик, а вот с нижней частью списка — двукратный. Ценность именно в том, что замер независимый: обычно такие таблицы публикуют сами разработчики, и верить им можно с оговорками.

Три вещи, которых нет у Whisper

Если сравнивать с Whisper — самой популярной бесплатной альтернативой, — Scribe v2 закрывает ровно те три пробела, из-за которых с Whisper обычно мучаются:

• Разделение по говорящим — до 48 человек. Расшифровка совещания приходит уже разложенной по репликам, а не сплошной простынёй текста
• Список ваших терминов — можно передать до 1000 слов: фамилии, названия продуктов, профессиональный жаргон. Именно на них модели обычно и спотыкаются
• Работа в реальном времени — отдельная версия Realtime с задержкой менее 150 мс, тогда как Whisper умеет только обрабатывать готовые файлы

Дополнительно модель помечает неречевые события — смех, паузы, посторонние звуки — и находит персональные данные по 56 категориям, если расшифровку нужно обезличить.

Неожиданный момент с ценой

Обычно «самое точное» означает «самое дорогое». Здесь наоборот: Scribe v2 стоит $0.22 за час аудио против $0.36 за час у Whisper в API OpenAI. То есть модель одновременно вдвое точнее и в полтора раза дешевле.

Честная оговорка: $0.22 — это тариф Business с 1100 часами в месяц. На младших планах час выходит в $0.30-0.40, а определение сущностей и список терминов тарифицируются сверх базовой цены. Работает модель быстро — коэффициент 59.5x, то есть час записи расшифровывается примерно за минуту.

Когда она не подойдёт

Два ограничения, которые перевешивают любую точность в конкретных сценариях.

Первое — Россия. ElevenLabs напрямую не работает: нужен VPN и зарубежная карта, российские не принимаются. Это делает сервис неудобным для повседневной работы из РФ.

Второе — приватность. Модель закрытая и облачная, локального запуска нет в принципе. Запись обязательно уходит на чужой сервер, и для медицинских консультаций, юридических переговоров или внутренних совещаний это может быть неприемлемо независимо от сертификатов соответствия. В обоих случаях выбор — Whisper: он бесплатный, работает локально без интернета и данные никуда не отправляет, пусть и ошибается вдвое чаще.