ElfLabs enthüllt ein neues Sprach-zu-Text-Modell

ElevenLabs, ein KI-Startup, das kürzlich beeindruckende 180 Millionen Dollar an Finanzierung erhalten hat, ist bekannt für seine Fähigkeiten in der Audioerzeugung. Jetzt haben sie einen mutigen Schritt in neues Terrain gewagt, indem sie ihr erstes eigenständiges Sprach-zu-Text-Modell namens Scribe auf den Markt gebracht haben.

Mit einem Wert von 3,3 Milliarden Dollar ist ElevenLabs für viele Unternehmen, die Text-zu-Sprach-Dienste benötigen, eine erste Wahl, dank ihrer riesigen Sammlung von Stimmen. Nun richten sie ihren Fokus auf Spracherkennung und wollen es mit großen Namen wie Gladia, Speechmatics, AssemblyAI, Deepgram und den Whisper-Modellen von OpenAI aufnehmen.

Scribe macht keine halben Sachen – es unterstützt direkt ab Projektstart über 99 Sprachen. ElevenLabs sagt, es biete hervorragende Genauigkeit für über 25 Sprachen mit einer Wortfehlerrate von weniger als 5 %. Dazu gehören Englisch (mit einer angegebenen Genauigkeit von 97 %), Französisch, Deutsch, Hindi, Indonesisch, Japanisch, Kannada, Malayalam, Polnisch, Portugiesisch, Spanisch und Vietnamesisch, unter anderem. Die übrigen Sprachen fallen in verschiedene Genauigkeitskategorien: hoch (5 % bis 10 % Wortfehlerrate), gut (10 % bis 20 % Wortfehlerrate) und moderat (25 % bis 50 %).

Das Unternehmen behauptet, Scribe übertreffe Google Gemini 2.0 Flash und Whisper Large V3 in mehreren Sprachen, laut FLEURS- und Common-Voice-Benchmark-Tests.

ElevenLabs hat den Sprach-zu-Text-Teil bereits letztes Jahr für ihre KI-Konversationsagentenplattform entwickelt, aber Scribe ist ihr erster Versuch eines eigenständigen Spracherkennungsmodells. In einem Gespräch mit TechCrunch im letzten Monat verriet CEO Mati Staniszewski Details zu ihren Plänen, die Spracherkennungstechnologie zu verbessern.

„Wir wollen besser darin werden, zu verstehen, was du in einem Gespräch sagst. Wir konzentrieren uns nicht mehr nur auf das Generieren von Inhalten; wir bewegen uns hin zu Verständnis und Transkription von Sprache“, sagte Staniszewski. „Viele denken, Sprach-zu-Text ist nichts Neues, aber für viele Sprachen ist es immer noch ziemlich schwierig. Wir glauben, dass wir es besser machen können, weil wir interne Teams haben, die Daten labeln und uns schnelles Feedback geben.“

Scribe hat auch einige coole Funktionen, wie intelligente Sprecherzuordnung, um zu erkennen, wer spricht, Zeitstempel auf Wortebene für präzise Untertitel und automatische Markierung von Klangereignissen wie Publikumslachen. Außerdem ermöglicht ElevenLabs Kunden, Videoinhalte direkt zu transkribieren, um Untertitel oder Beschriftungen in ihrem Studio hinzuzufügen.

Derzeit funktioniert Scribe nur mit vorab aufgenommenem Audio. Aber keine Sorge, das Unternehmen sagt, dass sie bald an einer Version mit geringer Latenz für Echtzeit arbeiten. Also ist es noch nicht ganz bereit für Besprechungstranskripte oder Sprachnotizen.

ElevenLabs berechnet 0,40 Dollar pro Stunde transkribiertem Audio für Scribe. Das ist ein wettbewerbsfähiger Preis, aber einige Konkurrenten bieten günstigere Tarife für Audiotranskriptionen an, mit ein paar zusätzlichen Funktionen.