最強(qiáng)語音轉(zhuǎn)文字模型，正在硅谷被熱議。

直接把“快、 準(zhǔn)、全”三個(gè)字拉到了新高度。

來自AI語音獨(dú)角獸公司ElevenLabs，剛剛發(fā)布了Scribe v2 Realtime實(shí)時(shí)語音轉(zhuǎn)文本模型，網(wǎng)友表示：Next-Level。

何出此言？還得看它這組王炸數(shù)據(jù)——

150毫秒的超低延遲，93.5%的高準(zhǔn)確率，還覆蓋了90多種語言。

要知道，人類眨一次眼的平均時(shí)長在100-400毫秒……這就意味著，你說完一句話眨下眼，文字就已經(jīng)同步到屏幕上了。

小測(cè)一下

不僅延遲低，準(zhǔn)確率也破新高。

據(jù)官方數(shù)據(jù)，Scribe v2 Realtime在針對(duì)前30種常用語言的FLEURS基準(zhǔn)測(cè)試?yán)铮瑴?zhǔn)確率飆到93.5%，在一眾同賽道模型中表現(xiàn)突出。

就算環(huán)境吵鬧，方言講話、或者說話內(nèi)容里夾著一堆專業(yè)術(shù)語，它也能精準(zhǔn)抓住每一個(gè)關(guān)鍵詞，甚至能辨別你的笑聲是大笑還是苦笑（doge）。

適配能力也比較全面。在音頻格式方面，像PCM（8-48kHz）、μ-law 編碼等常用類型都能支持。語音活動(dòng)檢測(cè)功能可以精準(zhǔn)檢測(cè)語音起止，手動(dòng)提交控制能讓使用者自主決定何時(shí)最終確定轉(zhuǎn)錄內(nèi)容，便于實(shí)現(xiàn)定制化的音頻流處理和更高精度的微調(diào)。

還有90多種語言隨意切換，從常見的主流語言到相對(duì)小眾的語種，基本都能涵蓋，對(duì)于有跨國需求的用戶來說，不用再為了不同語言切換不同工具。

看上去是挺厲害，咱也小測(cè)了一下！

這里提供了一段相聲里的繞口令片段，可以看出延遲確實(shí)比較低，而且過程中還能對(duì)實(shí)時(shí)轉(zhuǎn)錄的文字進(jìn)行調(diào)整。

但對(duì)于中文里一些生活化的表達(dá)拿捏得還不是很到位，比如“五月單五”這個(gè)說法。但整體的準(zhǔn)確率還是比較高的。

其實(shí)，在Scribe v2 Realtime推出前，實(shí)時(shí)語音轉(zhuǎn)文本賽道已歷經(jīng)多輪技術(shù)迭代，但長期存在痛點(diǎn)集群。

早期階段，該領(lǐng)域以傳統(tǒng)統(tǒng)計(jì)模型為主，但識(shí)別準(zhǔn)確率低，在帶背景噪音的場(chǎng)景中錯(cuò)誤率常超30%，且延遲普遍在1秒以上，難以滿足會(huì)議記錄、實(shí)時(shí)客服等場(chǎng)景的需求。

隨著深度學(xué)習(xí)技術(shù)滲透，模型雖然提升了準(zhǔn)確率，但多語言支持能力薄弱，主流模型僅覆蓋20-30種語言，且對(duì)小眾語言或復(fù)雜口音的適配性極差。

所以，此前行業(yè)內(nèi)存在速度與精度不可兼得的困境。這一矛盾直至Transformer架構(gòu)在語音領(lǐng)域應(yīng)用后才逐步緩解。

現(xiàn)在，Scribe v2 Realtime實(shí)現(xiàn)了毫秒級(jí)延遲+90%以上準(zhǔn)確率的突破。

雖然官方還沒有發(fā)布明確的技術(shù)報(bào)告，但在AI語音這條賽道上，ElevenLabs卷出了新水平。

實(shí)際上，這家公司也以此為特色，圈內(nèi)小有名氣。

全力押注語音

ElevenLabs成立于2022年，是一家聚焦AI語音技術(shù)的科技企業(yè)，于2022年在倫敦正式成立。

其創(chuàng)始團(tuán)隊(duì)核心成員包括前谷歌機(jī)器學(xué)習(xí)工程師Piotr D?bkowski與前Palantir策略師Mati Staniszewski。

成立后，公司在商業(yè)層面實(shí)現(xiàn)快速突破，僅20個(gè)月就突破1億美元營收，后續(xù)10個(gè)月內(nèi)進(jìn)一步增長至2億美元。

在今年1月完成的1.8億美元C輪融資后，其估值達(dá)到33億美元。

創(chuàng)始人Mati Staniszewski表示，公司創(chuàng)立之初，AI領(lǐng)域的方向多得讓人眼花繚亂，而他們一開始就堅(jiān)定地押注在語音上。目前，公司擁有全球Top100 AI語音方向研究員。

ElevenLabs并不把自己看作一個(gè)250人的大團(tuán)隊(duì)，而是20個(gè)5-10人的小團(tuán)隊(duì)，且團(tuán)隊(duì)內(nèi)部不設(shè)頭銜，任何人都可成為關(guān)鍵決策者，靈活調(diào)動(dòng)，高效運(yùn)作。

該公司之前推出的Eleven v3文本轉(zhuǎn)語音模型，支持70多種語言，還能進(jìn)行多人對(duì)話聊天，因?yàn)樽匀弧⑸鷦?dòng)的語言表現(xiàn)力已經(jīng)大獲好評(píng)。

如今，在語音實(shí)時(shí)轉(zhuǎn)錄這條賽道上，Scribe v2 Realtime又成了新的天花板。