整理过会议录音的人,大概都遇到过这种情况:文字看着挺通顺,核对录音才发现,两个人的话接到了一起,产品名称写错了,报价里的数字也需要重新听一遍。转写结束后,最费时间的工作往往才刚开始。
2026 年 11 月 10 日,ElevenLabs 发布 Scribe v3 和 Scribe v3 Live,两者均已接入 ElevenAPI,Live 也已进入 ElevenAgents。前者面向已有录音,后者用于实时音频。本文依据公开资料整理,尚未实际调用这两个模型。
先看你要处理哪一种音频
如果手头已经有一份完整录音,例如采访、课程或会议,优先考察录音转写版本就比较直接。如果产品要一边接收语音、一边显示文字,或在通话中及时回应,就需要研究实时版本。
这一步值得提前想清楚。做采访整理的人,可能愿意多等一会儿,换取更省心的后期校对。做语音客服的人,则要关注来电者停顿时,系统会不会提前接话。两种场景的验收标准相差很大。
这次有哪些细节值得看
官方文档列出的能力中,Scribe v3 支持说话人区分,并可控制数字以数字字符或文字形式输出;Scribe v3 Live 加入了结合对话上下文的轮次判断。转录功能文档还列出了专业词汇提示与多语言音频相关功能。
这些能力对应的都是很具体的麻烦。
会议里,同一句“下周可以交”由谁说出口,会影响后续任务安排。整理文本时,最好能方便地回到对应录音,核实发言者和上下文。单靠一份流畅的会议摘要,很容易漏掉这种错误。
数字同样值得单独检查。价格、日期、型号和电话号码,经常成为一段对话里最重要的信息。输出格式统一后,复制进表格会方便一些,原始内容仍要核对。格式整齐与识别正确,需要分别验收。
专业词汇则适合拿自己的材料试。团队的产品名、客户简称、行业缩写,平时听起来很熟悉,识别系统却可能转成常见词。准备一份小词表,比较使用前后的转写结果,比只看一段演示更有参考价值。
费用可以先算,省下多少时间要自己测
截至 2026 年 11 月 12 日,官方 API 定价页列示 Scribe v3 为每小时 0.20 美元,Scribe v3 Live 为每小时 0.22 美元,税费另计。账户可用额度、并发限制及最终结算条件,需要结合自己的账户和所选服务确认。
对一个小工具站或独立开发者来说,调用费用只是成本中的一部分。上传、存储、失败重试、导出以及人工复核,也会消耗资源。可以先做小批量试用记录:每份录音花了多少钱,处理多久,又用了多少分钟校对。
如果最终用户需要的是一份能交给同事的文档,验收就应当走到导出这一步。发言段落是否清楚、复制到 Word 后是否好整理、能否找到原音频的位置,这些体验都值得一并检查。
我会怎样做第一轮测试
先准备几段获得授权、可以用于测试的录音:一段安静环境中的单人讲话,一段多人轮流发言,再加一段夹杂英文名词或数字的日常对话。保留原始录音,手工整理一份简短参考文本。
检查时把问题分开记:漏字和错字、说话人归属、数字、专有名词、标点与分段。中文用户还可以单独看同音词和中英文混说;日文用户可以留意人名、地名及术语写法。这些都是建议测试项,本文没有验证相应语言的实际表现。
实时场景还要多看一件事:人说话时会思考、犹豫、补充。可以故意在一句话中间停一下,观察系统接话的时机,再检查转写内容有没有被切断。
涉及客户、员工或其他人的录音,上传前要确认授权和数据处理要求。先用经过脱敏的样本摸清效果,会稳妥很多。
这次更新值得关注的地方,在于它触及了转录后经常要人工修补的细节。能不能真正减少整理时间,适合用自己的录音来回答。等这一步测清楚,再考虑把它接进日常工作。
