イレブンラボは、音声認識モデル「Scribe v3」と「Scribe v3 Live」を発表しました。前モデルより単語の誤りを最大43%減らし、リアルタイムのモデルとして初めて話者識別に対応しました。日本語を含む90以上の言語で使え、ElevenAPIで提供されます。

録音向けとリアルタイム向け、2つの新モデルを発表
音声AIのElevenLabs(本社:米国ニューヨーク州、CEO:Mati Staniszewski、以下イレブンラボ)は、2026年11月10日(米国時間)、音声認識(Speech to Text)モデル「Scribe v3」と「Scribe v3 Live」を発表しました。日本では、Eleven Labs Japan合同会社が2026年11月12日に発表しています。
2つのモデルの用途は次のとおりです。
- Scribe v3:録音済みの音声向け
- Scribe v3 Live:リアルタイムの音声向けの低遅延版
両モデルは開発者向けの「ElevenAPI」で提供されます。「Scribe v3 Live」は、音声・チャットエージェントプラットフォーム「ElevenAgents」でも利用できます。
実際の会話の音声に向けて開発
議事録、音声エージェント、吹き替え、診療記録、放送アーカイブなど、音声を扱うサービスの多くは文字起こしから始まります。文字起こしで生じた誤りはその後の工程にそのまま引き継がれ、後から直すほど手間がかかります。
一方、実際の音声には、会議で複数の人の発言が重なる、通話相手が文の途中で言葉に詰まる、話し手同士が母国語以外で会話する、といった条件が含まれます。「Scribe v3」「Scribe v3 Live」は、こうした条件のもとでも正確に文字起こしできることを目指して開発されました。
前モデルからの精度向上
102言語で評価した結果、両モデルとも前モデルから誤りを大きく減らしています。
- Scribe v3:前モデル「Scribe v2」と比べて単語の誤りを27%削減。話者識別(誰が話したかの判別)でも、同社が評価したモデルの中で最も誤りが少ない結果に
- Scribe v3 Live:前モデル「Scribe v2 Realtime」と比べて誤りを43%削減。リアルタイムのモデルとして初めて話者識別に対応し、話し終わりの判定(ターン検出)も改善
3人以上の会議でも話者を判別
「Scribe v3」は、3人以上が話す録音での話者識別の誤りを「Scribe v2」より17%削減しました。「Scribe v3 Live」はリアルタイムで話者を判別でき、同社の評価では、話者識別の誤りが次に良かったリアルタイムのモデルより39%少ない結果となりました。
会話の文脈から話し終わりを判定
音声エージェントが自然に会話するには、相手が話し終えたかどうかを正確に判定する必要があります。無音の長さだけで判定する場合、短く設定すると話の途中で割り込み、長く設定すると応答が遅くなるという課題があります。
「Scribe v3 Live」は、音声に加えて会話の文脈も使って判定します。そのため、番号を読み上げる途中で間を置いても、発話の途中で遮ることはありません。この機能はElevenAgentsですでに使われていたもので、今回からAPIでも利用できるようになりました。
言語・用語・表記を細かく調整できる
「Scribe v3」では、次のような調整が可能です。
- 音声に含まれる言語のヒントを複数指定
- 数字を数字表記と文字表記のどちらで出力するかを選択
- 社名、略語、専門用語など、登場がわかっている用語を最大1,000語まで登録
- 「日付はすべてYYYY-MM-DD形式で書く」のように、表記ルールを自然な文章で指定
「Scribe v3 Live」は、会話の途中で言語が切り替わる場合に対応するマルチリンガルモードを備えています。さらに、一覧として渡すには多すぎる大量の用語を登録しておき、該当しそうな言葉が聞こえたときだけ参照する「キーターム・ライブラリ」も利用できます。
評価方法と結果
イレブンラボは、両モデルを前モデルやほかの主要な音声認識モデルと同じデータセットで評価しました。多言語の認識精度は、102言語の読み上げ音声で構成されるベンチマーク「FLEURS」の社内版で測定しています。
FLEURSは収録音声の話者が1人のため、話者識別は測れません。そこで話者識別は、実際の会議、エージェントとの通話、音声メモで構成した16言語の独自データセットで評価しました。このデータセットは近日中にオープンソースとして公開される予定です。
「Scribe v3」は評価した102言語すべてで「Scribe v2」より誤りが減り、同社が評価したほかの録音済み音声向けモデルのいずれよりも単語の誤りが少ない結果となりました。「Scribe v3 Live」も評価したすべての言語で「Scribe v2 Realtime」より誤りが減り、ほかのリアルタイムモデルのいずれよりも誤り率が低い結果となっています。
導入事例:オランダのエネルギー企業Eneco
オランダで200万以上の家庭と企業にエネルギーを供給するEnecoは、ElevenAgentsで稼働する音声エージェントで、提供開始前の「Scribe v3 Live」を試験しました。実際の顧客との通話で、オランダの郵便番号を1回で正しく認識できた割合が、郵便番号で40%、番地で15%向上しました。
Enecoのシニアプロダクトマネージャー、Ruud Huigsloot氏は、イレブンラボを真のパートナーと評価し、同社の導入支援エンジニアとともに音声エージェントの改善に取り組んでいること、早い段階で大きな成果が出ていることを述べています。
エンタープライズ向けの機能
両モデルは、処理が終わると音声とテキストをすぐに削除する「Zero Retention Mode」に対応しています。SOC 2、ISO 27001、PCI DSS Level 1の認証を取得しており、BAA(Business Associate Agreement)を締結すればHIPAAの対象業務にも利用できます。プライベート環境での導入にも対応しています。
提供方法
- 「Scribe v3 Live」はElevenAgentsで利用可能
- イレブンラボのアプリでは「Scribe v3」と「Scribe v3 Live」が標準モデルに
- ElevenAPIでも両モデルを発表日から利用可能。「Scribe v2」の利用者は、モデルIDを「scribe_v3」または「scribe_v3_live」に変更するだけで切り替え可能
- 医療機関向けに、診療に関する会話に最適化した「Scribe v3 Live」のバージョンもElevenAgentsで提供
詳細(英語):https://elevenlabs.io/blog/scribe-v3
日本市場への期待
日本では少子高齢化を背景に働き手の不足が進んでおり、リクルートワークス研究所の試算では、2040年に約1,100万人の働き手が不足するとされています。会議の記録やコンタクトセンターでの通話内容の記録など、日々の業務を限られた人員でどう続けるかが、多くの企業の課題です。
イレブンラボは、文字起こしをAIが担い、人は内容の確認や判断が必要な対応に時間を使うという役割分担の土台として、正確な音声認識が重要になるとしています。両モデルは日本語を含む90以上の言語に対応しており、同社は日本の企業や開発者とともに、音声を活用したサービスの実現に取り組むとしています。
イレブンラボについて
イレブンラボは2022年に設立されたAI研究・プロダクト企業です。企業向けの音声・チャットエージェントプラットフォーム「ElevenAgents」、コンテンツの制作・編集を支援する「ElevenCreative」、開発者向けの「ElevenAPI」を提供しています。企業評価額は220億米ドルを超え、Fortune 500企業の80%以上を含む数千社に利用されています。
参照元:https://prtimes.jp/main/html/rd/p/000000077.000160611.html


