AI стартъпът ElevenLabs, който наскоро привлече 180 милиона долара финансиране, досега беше известен най-вече със своите иновации в аудиогенерацията. Сега компанията разширява дейността си, като пуска първия си самостоятелен модел за разпознаване на реч (speech-to-text), наречен Scribe.

С оценка от 3,3 милиарда долара, ElevenLabs вече е помогнала на много компании с услуги за преобразуване на реч в текст чрез своята библиотека с гласове. Но сега стартъпът навлиза в сферата на разпознаването на говор и се конкурира с Gladia, Speechmatics, AssemblyAI, Deepgram и моделите Whisper на OpenAI.

Scribe поддържа над 99 езика още при стартирането си. Компанията класифицира над 25 езика в категорията за отлична точност (грешка под 5%). Сред тях са английски (с 97% точност), френски, немски, хинди, индонезийски, японски, каннада, малаялам, полски, португалски, испански и виетнамски. Останалите езици са разделени в категории с висока (5% - 10%), добра (10% - 20%) и умерена (25% - 50%) грешка при разпознаване на думите.

Компанията твърди, че Scribe превъзхожда Google Gemini 2.0 Flash и Whisper Large V3 в множество езици според тестовете FLEURS & Common Voice.

ElevenLabs вече бе разработила технология за разпознаване на реч като част от своя AI платформа за разговорни агенти, пусната миналата година. Но това е първият ѝ самостоятелен модел за разпознаване на говор. В интервю за TechCrunch миналия месец изпълнителният директор Мати Станишевски заяви, че компанията работи по подобряване на моделите за разпознаване на говор.

"Искаме да разбираме по-добре какво казвате в един разговор. Работим върху преминаването от просто генериране на съдържание към разбиране и транскрибиране на речта", каза Станишевски. "Много хора смятат, че разпознаването на реч вече е решен проблем, но за много езици това изобщо не е така. Вярваме, че можем да създадем по-добри модели, защото имаме вътрешни екипи, които анотират данни и ни дават бърза обратна връзка."

Scribe включва и интелигентна система за разграничаване на говорещите (diarization), таймстамп на ниво дума за прецизни субтитри и автоматично разпознаване на звукови събития като смях на публиката. Компанията предлага и възможност за директно транскрибиране на видео съдържание за автоматично добавяне на субтитри.

В момента Scribe работи само с предварително записано аудио. Очаква се скоро да бъде пусната версия в реално време, която ще позволи транскрипция на срещи и записки от гласови бележки.

Цената на Scribe е $0.40 на час транскрибирано аудио. Въпреки че това е конкурентна цена, някои съперници на ElevenLabs предлагат по-ниски тарифи или допълнителни функции.

ИЗБРАНО
Откриха три тела в изоставен кемпер под връх Околчица (снимки) Днес
Откриха три тела в изоставен кемпер под връх Околчица (снимки)
52321
Децата на иранския елит - парад на богатство и лукс, докато хиляди умират, опълчвайки се на режима Лайф
Децата на иранския елит - парад на богатство и лукс, докато хиляди умират, опълчвайки се на режима
35961
Съкрушително: Линдзи Вон падна тежко след 12 секунди спускане на Олимпиадата Корнер
Съкрушително: Линдзи Вон падна тежко след 12 секунди спускане на Олимпиадата
17248
Шефът на "Мерцедес-Бенц": Германия се движи в грешна посока от 15 години Бизнес
Шефът на "Мерцедес-Бенц": Германия се движи в грешна посока от 15 години
10348
Аристократът, който по своя воля остава в сянката на известните импресионисти Impressio
Аристократът, който по своя воля остава в сянката на известните импресионисти
7101
Този алпийски заслон в Доломитите ще оцелее и след Армагедон (снимки/видео) Trip
Този алпийски заслон в Доломитите ще оцелее и след Армагедон (снимки/видео)
11892
Музикални хроники: Къде The Beatles опитват за първи път традиционна американска кухня Вкусотии
Музикални хроники: Къде The Beatles опитват за първи път традиционна американска кухня
1038