11月12日、The Decoderが「ElevenLabs Scribe v3 Live uses conversational context to stop voice agents from cutting off callers mid-sentence」と題した記事を公開した。ElevenLabsが発表した新しい音声認識モデル「Scribe v3」と「Scribe v3 Live」は、会話コンテキストをリアルタイムで解析することで、音声エージェントが通話相手の発話を途中で遮断してしまう問題——業界が長年抱えてきた構造的な課題——に正面から向き合う設計となっている。
音声エージェントの「割り込み」問題をどう解くか
音声エージェントが通話相手の発話を途中で遮断してしまう——この問題は、既存のシステムが「沈黙が一定時間続いたら発話終了」という単純なポーズタイマーに依存していることに起因する。ユーザーが考えながら話したり、電話番号をゆっくり読み上げたりすると、文の途中でシステムに割り込まれてしまう。
Scribe v3 Liveはこの問題に対し、音声信号だけでなく会話コンテキストをリアルタイムで解析するアプローチを取る。話者が本当に発話を終えたのかどうかを文脈から判断することで、不必要な割り込みを防ぐ設計だ。
リアルタイム処理に対応したScribe v3 Liveに対し、Scribe v3はあらかじめ録音されたファイルの文字起こし向けに設計されている。両モデルともElevenAPIとElevenAgentsプラットフォームを通じて現在利用可能だ。
精度は最高水準、ただしスピードとコストで妥協が必要
Artificial Analysisによる独立ベンチマークによれば、Scribe v3はMicrosoft、Mistral、xAI、Google、OpenAIの各モデルを上回り、市場トップクラスの精度を持つ。唯一、Alibabaのプレビューモデルにのみ及ばない結果だった。
ElevenLabs自身の発表では、Scribe v3は前世代比で102言語にわたって単語誤り率を約25%削減し、ドイツ語の精度が特に改善されたとしている。また、複数話者の発言を識別する話者ダイアライゼーション(Speaker Diarization:複数人が参加する会話音声を「誰がいつ話したか」単位に自動分離・ラベル付けする技術)が大人数の会話でより安定して動作するようになり、Scribe v3 Liveでは初めてこれがリアルタイムで利用可能になった。コールセンターの録音解析や議事録起こしで課題になりやすい「話者の混在」問題への対応強化として注目に値する。
一方、コストは1,000分あたり3.33ドルと、MicrosoftやxAIのモデル(同等精度でほぼ半額)と比べて割高だ。処理速度もミッドレンジにとどまる。大量の音声を安くスループット処理したいケースでは、他プロバイダーの方が合理的な選択になる。
ただし、このベンチマークが測定しているのは録音ファイルでの単語誤り率のみ。話者ダイアライゼーションの改善やScribe v3 Liveのリアルタイム挙動は評価対象外である点は留意が必要だ。
開発者向けのカスタマイズ機能
ElevenLabsはモデルの精度向上に加えて、開発者が最終的なトランスクリプトをコントロールできる機能も拡充している。
- カスタム語彙の事前登録:ブランド名や医薬品名など数千件規模の専門用語をあらかじめ登録し、誤認識を防ぐ
- フォーマットルールの自然言語指定:数字や日付の表記フォーマットを自然言語で設定できる
- 多言語混在対応:発話の途中で言語が切り替わるケースも処理可能
- エンタープライズ向け機能:EU内の隔離サーバー、各リクエスト後にデータを即時削除するゼロリテンションモード
エンタープライズ展開の加速
新モデルの発表と同時に、ElevenLabsはエンタープライズ事業の拡大も発表している。なかでも注目度が高いのがNvidiaとの提携拡大だ。公式発表によれば、以下の取り組みが含まれる。
- オープン言語モデル「Nemotron 3.5 Super VL」のElevenAgentsへの統合
- Nvidia上での追加コンピュートリソースの確保
- ロボット向けローカル音声制御の開発
- ポーランドの公衆衛生システム向け電話エージェントの実運用
流通チャネルの整備も同時に進んでいる。McKinseyとのアライアンスによってコンサルティング経由の大企業導入を狙う一方、システムインテグレーター向けのパートナープログラムも立ち上げた。さらに、Salesforce・IBM・Zendeskが既製の音声エージェントを提供するマーケットプレイスを開設し、エンドユーザーがすぐに導入できる経路も整えている。技術単体の訴求から、エコシステム全体での普及へと戦略の重心が移っていることが読み取れる。
詳細はElevenLabs Scribe v3 Live uses conversational context to stop voice agents from cutting off callers mid-sentenceを参照していただきたい。
