文字としては自然に読めるのに、仕事で使おうとすると困る。文字起こしでは、そんなことが起こります。約束をした人が別の同僚になっていたり、製品名が一般的な単語に置き換わったり。もっともらしく見える金額も、録音を聞き直すと違っているかもしれません。こうした間違いは、会議メモや文書、顧客記録にまとめる段階で見つかりがちです。

ElevenLabs は 2026 年 11 月 10 日、Scribe v3 と Scribe v3 Live を公開しました。どちらも ElevenAPI で利用でき、Live は ElevenAgents にも提供されています。本記事は公開ドキュメントをもとに整理したもので、両 API の実機検証は行っていません。

文字起こしの用途から考える

収録済みのインタビューや会議を扱うなら、録音用モデルから検討するのが自然です。ライブ字幕や音声アプリでは、リアルタイム処理と応答のタイミングが重要になります。

編集作業では、後の修正が楽になるなら多少の待ち時間を受け入れられるでしょう。一方、通話中に返答の途中でシステムが話し始めると、利用者はすぐに気付きます。最終的に文字を出力する点は共通していても、確かめるべき体験はそれぞれ異なります。

確認しておきたい細部

モデルのドキュメントには、Scribe v3 の話者分離と数字表記の設定、Live の会話の文脈を踏まえた発話終了の予測が記載されています。文字起こしの機能説明では、語彙の指定や複数言語が混在する音声への対応も紹介されています。

発言に責任が伴う場面では、話者の区別が重要です。3 人で納期を相談しているなら、誰がその日程を引き受けたのかを正しく残す必要があります。疑わしい一文から元の音声に戻れるかどうかも、評価に含めたいところです。読みやすい要約だけを見ていると、話者の取り違えを見落とすおそれがあります。

数字は別に確認するとよいでしょう。日付、金額、管理番号、電話番号は、業務上の重要な情報になりやすい部分です。表記が統一されていれば表計算ソフトで扱いやすくなりますが、値そのものの確認も欠かせません。

専門用語も試しやすい項目です。普段の録音に出てくる製品名や略語を少し用意し、情報を与えた場合と与えなかった場合を比べます。自分たちの素材で試すと、どこに修正の手間が残るのかが見えてきます。

料金を出発点に、作業全体のコストを見る

2026 年 11 月 12 日時点の公式 API 料金ページには、Scribe v3 は 1 時間当たり 0.20 米ドル、Scribe v3 Live は 1 時間当たり 0.22 米ドルと記載されています。税金は別途かかります。導入前に、アカウントの利用枠、同時実行数、適用される課金条件を確認してください。

小規模なサービスでも、API 利用料に加えてアップロード、保存、再試行、書き出し、内容確認のコストがかかります。試用中は処理費用とともに、各ファイルの修正に何分かかったかを記録すると参考になります。

出力された文章を、実際に使う場所まで持っていくことも大切です。読みやすい文書にまとめられるか。話者の切り替わりを追いやすいか。録音の該当箇所にすぐ戻れるか。こうした小さな操作が、継続して使うかどうかに関わります。

最初は小さく試す

利用の許可を得た録音をいくつか用意します。聞き取りやすい 1 人の音声、複数人の会話、固有名詞や数字を含む会話などです。短い範囲でも人が確認した正解の文章を作り、音声と比較できるようにしておきます。

誤りは、抜けた語、誤認識、話者の割り当て、数字、専門用語に分けて記録します。必要な言語は、それぞれ自分の素材で確かめましょう。多言語対応という情報を出発点に、実際の業務に合うかを確認できます。

リアルタイムのアプリでは、言いよどみや文の途中の間も含めます。発話が終わったと判断されるタイミングと、文章が途中で切れていないかを見てください。

できるだけ個人を特定できる情報を除いたサンプルを使い、他人の録音をアップロードする前に、同意とデータの取り扱い条件を確認しましょう。

Scribe v3 の登場は、文字起こしで手間のかかる部分を見直すきっかけになりそうです。最初の出力から使える文書になるまで、どれだけ修正が残るのか。少量でも素材を選んで試せば、導入の判断がしやすくなります。