ElevenLabs Scribe v3 y Live: subtítulos en tiempo real, hablantes y ruido

Qué cambió en Scribe v3 y Scribe v3 Live

La mayoría de las pruebas de rendimiento de voz a texto se basan en clips de un solo hablante grabados en habitaciones silenciosas. Cuando pruebo herramientas de subtitulado en vivo en llamadas reales o mesas de conferencias concurridas, los errores rara vez provienen de palabras comunes del diccionario. Ocurren cuando dos personas se interrumpen mutuamente, cuando el ruido de la calle oculta un nombre o cuando un hablante reduce la velocidad para leer una dirección y el motor de transcripción corta la oración por la mitad.

Predicción de turnos basada en el contexto en lugar de temporizadores de silencio

En Scribe v2 Realtime y en la mayoría de las API de transmisión de la competencia, la detección del final de intervención depende de un simple temporizador de silencio por detección de actividad de voz (VAD). Configuras un umbral de silencio en milisegundos y, cuando el hablante deja de emitir sonido durante ese tiempo, el modelo confirma la oración. Eso obliga a elegir entre dos opciones frustrantes. Si configuras un umbral corto para que los subtítulos en vivo sean ágiles, el sistema corta a las personas cada vez que hacen una pausa a mitad de la frase para pensar o leer un número de tarjeta de crédito. Si configuras un umbral largo, los subtítulos se retrasan respecto a la sala y los agentes de voz se sienten lentos.

Scribe v3 Live reemplaza el temporizador de silencio básico por una predicción de turnos basada en el contexto (commit_strategy="turn_prediction"). En lugar de medir únicamente decibelios y milisegundos de silencio, el modelo evalúa las palabras y la cadencia acústica de la oración en curso junto con el flujo de audio. Si alguien dice: "Mi código postal es cuatro, cinco..." y hace una pausa de un segundo para revisar un papel, Scribe v3 Live reconoce que la frase está gramatical y acústicamente incompleta y mantiene el turno abierto. Cuando el proveedor de energía neerlandés Eneco probó Scribe v3 Live en llamadas reales de atención al cliente antes del lanzamiento, el reconocimiento en el primer intento aumentó un 40% en códigos postales neerlandeses y un 15% en números de domicilio simplemente porque la transmisión dejó de cortar las cifras a mitad de la locución.

Diarización de múltiples hablantes y en tiempo real

Acertar las palabras no sirve de mucho en la transcripción de una reunión si el software asigna una tarea a la persona equivocada. En el modo por lotes, Scribe v3 admite hasta 32 hablantes en una sola grabación (diarize: true) y reduce los errores de diarización en un 12% en general y en un 17% en grabaciones con tres o más hablantes en comparación con Scribe v2. Si tu equipo de grabación captura pistas separadas por participante, también puedes habilitar use_multi_channel=true para procesar hasta 5 canales de audio a la vez y asignar cada canal directamente a su propio ID de hablante sin depender de la agrupación acústica.

El mayor cambio está en Scribe v3 Live. Antes, si querías etiquetas de hablantes en ElevenLabs, tenías que esperar a que terminara un proceso por lotes después de finalizar la llamada. Scribe v3 Live ejecuta la diarización dentro de la transmisión en vivo de 150 ms. Para evitar que la identificación del hablante ralentice la visualización del texto, la transmisión por WebSocket envía un speaker_id provisional dentro de cada fragmento de transcripción parcial para que tu ventana de subtítulos se actualice de inmediato. Una vez que se confirma una oración, la API envía justo después un evento confirmado con la etiqueta del hablante. En el conjunto de datos reales de reuniones y llamadas con agentes en 16 idiomas de ElevenLabs, Scribe v3 Live obtuvo una tasa de error de diarización del 3.1% en audio en inglés, superando en un 39% a otros modelos en tiempo real evaluados (que se situaron entre el 5.9% y el 7.3%).

Cambio de idioma a mitad de frase y bibliotecas de términos clave de 10,000 palabras

Para usuarios multilingües, Scribe v3 Live añade un parámetro específico multilang_mode=true. En las configuraciones de transmisión anteriores, cambiar de hindi a inglés o de español a inglés a mitad de una oración generaba aproximaciones fonéticas confusas o requería fijar un idioma principal de antemano. Con el modo multilingüe activo, Scribe v3 Live detecta la alternancia de idiomas dentro de una misma oración y escribe cada idioma en su alfabeto nativo a medida que la persona habla. Para archivos grabados, Scribe v3 te permite pasar secondary_language_codes (como ["en", "hi"]) para preparar al modelo ante audios con mezcla de idiomas.

En los idiomas distintos del inglés, las mejoras de precisión de la v3 se concentran sobre todo en aquellas lenguas que suelen presentar dificultades en el subtitulado en vivo. En el modo por lotes sobre FLEURS, Scribe v3 redujo los errores de palabras en un 42% en alemán, 35% en español, 34% en suajili, 29% en tamil, 28% en tailandés y 23% en inglés. En transmisión en tiempo real, Scribe v3 Live redujo las tasas de error semántico de palabras en un 77% en griego, 54% en danés, 45% en croata y 36% en hindi. En pruebas especializadas en inglés, la WER por lotes bajó del 5.99% al 3.91% en llamadas de resultados financieros con diferentes acentos (Earnings-22) y del 2.13% al 1.71% en discursos del Parlamento Europeo (VoxPopuli).

Para evitar que la jerga empresarial, los nombres de medicamentos clínicos y los códigos SKU de productos se autocorrijan como palabras cotidianas, ambos modelos utilizan diferentes herramientas de vocabulario:

• Keyterm Prompting: Disponible en ambos modelos; te permite pasar hasta 1,000 términos específicos (de hasta 50 caracteres cada uno) en solicitudes por lotes de Scribe v3, o hasta 50 términos (de hasta 20 caracteres cada uno) en Scribe v3 Live.
• Keyterm Library: Exclusiva de Scribe v3 Live, te permite subir un diccionario de hasta 10,000 términos (y hasta 100,000 en configuraciones empresariales). En lugar de saturar la ventana de contexto activa con las 10,000 palabras y ralentizar la inferencia, Scribe v3 Live solo consulta la biblioteca cuando escucha una coincidencia acústica similar a una entrada.
• Controles de formato y ocultación de datos: Ambos modelos te permiten forzar que los números se escriban como dígitos o con letras (numbers_format="digits" o "words"), pasar reglas de edición de transcripción en lenguaje natural (como "write every date as YYYY-MM-DD"), etiquetar eventos de audio no verbales como risas o pasos, y detectar u ocultar 65 tipos de entidades de información personal identificable (PII) sensible.

Scribe v3 y v3 Live frente a Scribe v2, Soniox STT v6 y Voxtral 3

Elegir entre Scribe v3 Live y otros motores de transcripción depende de cómo se enruta tu audio y de si tus datos tienen permitido salir de tu equipo.

Scribe v3 frente a Scribe v2 (y subtítulos de video en la aplicación de ElevenLabs)

La semana pasada analicé los subtítulos de video en la aplicación de ElevenLabs, que incorporaron sincronización de subtítulos palabra por palabra, codificación automática por colores según el hablante y pistas de traducción bilingües tanto en las aplicaciones para iOS y Android como en Studio 4.0. En el momento de ese lanzamiento, el flujo de subtitulado de video se basaba en Scribe v2.

Desde el 10 de noviembre de 2026, Scribe v3 y Scribe v3 Live son los modelos predeterminados dentro de la aplicación móvil de ElevenLabs, Studio y ElevenAgents. Si creas videos e incrustas subtítulos en clips MP4 desde tu teléfono, el flujo de trabajo visual en la aplicación sigue siendo el mismo, pero obtienes automáticamente la reducción del 27% en la tasa de error de palabras de Scribe v3 y una separación de hablantes más limpia cuando tres o más personas se superponen. Donde la API se diferencia de la aplicación móvil es en el nivel de control: la aplicación móvil se centra en el estilo visual y la exportación de subtítulos bilingües, mientras que la API de Scribe v3 ofrece ocultación de entidades, asignación de pistas multicanal y la biblioteca de 10,000 términos clave para reuniones en vivo y flujos de trabajo automatizados.

Scribe v3 Live frente a Soniox STT v6

En la página de voz a texto de ElevenLabs, Scribe v3 Live registra una tasa de error semántico de palabras multilingüe inferior a la de todos los principales competidores de transmisión en la nube evaluados en sus conjuntos de idiomas compartidos:

• frente a Gemini 3.5 Transcribe Live (75 idiomas): 4.8% en Scribe v3 Live frente a 8.3% en Gemini
• frente a GPT-Live-Transcribe (57 idiomas): 3.9% en Scribe v3 Live frente a 6.7% en GPT
• frente a Deepgram Nova-3 (53 idiomas): 3.6% en Scribe v3 Live frente a 12.5% en Deepgram
• frente a AssemblyAI Universal-3.6 Pro Realtime (31 idiomas): 3.6% en Scribe v3 Live frente a 5.5% en AssemblyAI
• frente a Grok Voice Transcribe 2.0 (25 idiomas): 2.3% en Scribe v3 Live frente a 4.7% en Grok

Sin embargo, las cifras brutas de WER no te dicen qué ocurre cuando ejecutas una reunión en vivo o un agente de voz en una computadora portátil sin auriculares. Cuando probé Soniox STT v6, su mayor ventaja práctica fue la cancelación de eco de voz del agente (AEC) integrada, combinada con la alternancia de código en 60+ idiomas. Si un agente de voz con IA o un participante remoto de una reunión habla a través de los altavoces abiertos de tu computadora portátil, Soniox elimina esa señal de salida de la entrada de tu micrófono para que el modelo no transcriba su propio eco.

Scribe v3 Live cuenta con una diarización de múltiples hablantes más sólida en salas concurridas y predicción de turnos basada en el contexto, además de una cobertura más amplia en 90+ idiomas. Pero Scribe v3 Live no incluye cancelación de eco en el servidor para la filtración del altavoz local. Si usas Scribe v3 Live con el altavoz activado sin tener habilitada la AEC a nivel de hardware o navegador, el modelo escuchará la salida del altavoz, la tratará como otra persona en la sala y la etiquetará como un hablante distinto en tu transcripción.

Scribe v3 frente a Voxtral 3

Para equipos médicos, legales y empresariales, ElevenLabs ejecuta Scribe v3 y v3 Live en EE. UU. de forma predeterminada, ofrece entornos aislados de residencia de datos en la UE, India y Singapur, admite el Modo de Retención Cero (que elimina el audio y el texto inmediatamente después de que se completa la solicitud) y proporciona acuerdos de socio comercial (BAA) de HIPAA junto con el cumplimiento de las normas SOC 2, ISO 27001 y PCI DSS Nivel 1.

Incluso con el Modo de Retención Cero, Scribe v3 sigue siendo una API en la nube. Si necesitas transcribir reuniones o entrevistas confidenciales en una computadora portátil con el Wi-Fi apagado y sin llamadas a API externas, consulta mi comparativa de Voxtral 3 frente a Nemotron 3.5 Transcribe. Voxtral 3 de Mistral se ejecuta localmente en tu propia GPU en 50+ idiomas sin necesidad de un servidor backend. Usa Voxtral 3 cuando la ejecución estrictamente local y la ausencia de facturación por hora sean tus prioridades principales; usa Scribe v3 Live cuando necesites subtítulos en transmisión a 150 ms, etiquetas de hablantes en vivo y predicción de turnos sin dedicar VRAM local al reconocimiento de voz.

Cómo habilitar Scribe v3 y Scribe v3 Live (y la trampa del SDK)

Dependiendo de si buscas subtítulos rápidos para un video grabado o una transmisión de subtítulos en vivo, puedes acceder a los modelos v3 a través de tres vías.

1. Estudio web y aplicación móvil de ElevenLabs

Si usas la aplicación de ElevenLabs para iOS o Android, no necesitas activar ningún ajuste oculto: tanto Scribe v3 como Scribe v3 Live ya están activos como los modelos de transcripción predeterminados. Cualquier nota de voz que grabes o video que importes para subtitular utiliza el motor v3 automáticamente.

En la computadora, inicia sesión en el espacio de trabajo de voz a texto de ElevenLabs dentro de ElevenCreative. Haz clic en Subir archivo y arrastra un archivo MP3, WAV, M4A, FLAC, MP4, MOV, AVI o WebM. Una vez que Scribe v3 termina de procesarlo, el editor muestra etiquetas de hablantes codificadas por colores, marcas de tiempo por palabra y etiquetas de audio no verbal, lo que te permite exportar la transcripción directamente como un archivo SRT, VTT, DOCX o TXT. Si estás creando bots conversacionales en ElevenAgents, abre el panel de configuración Speech-to-Text / ASR de tu agente y selecciona Scribe v3 Live en el menú desplegable del modelo. Para los equipos del sector sanitario, ElevenLabs también ofrece una variante de Scribe v3 Live ajustada para el ámbito médico dentro de ElevenAgents, junto con scribe_v2_medical en la API.

2. Configuración de la API REST por lotes (scribe_v3)

Si ya tienes un script o una aplicación que llama a la API de voz a texto de ElevenLabs, actualizar la transcripción de audio grabado es un cambio directo. Envía tu solicitud POST a https://api.elevenlabs.io/v1/speech-to-text y cambia model_id de "scribe_v2" a "scribe_v3".

El endpoint por lotes acepta archivos individuales de hasta 5 GB y de hasta 15 horas de duración (si habilitas use_multi_channel=true, la duración combinada de todos los canales tiene un límite máximo de 15 horas). Siempre que subes un archivo de más de 8 minutos (480 segundos), ElevenLabs divide automáticamente el audio en segundo plano en hasta 4 segmentos paralelos mediante la fórmula Concurrency = min(4, round_up(audio_duration_secs / 480)), de modo que las grabaciones de reuniones de varias horas se procesan en una fracción del tiempo.

3. Configuración de WebSocket en tiempo real (scribe_v3_live) y el escollo del SDK oficial

Aquí está la trampa en la que caen los desarrolladores al actualizar a Scribe v3 Live. En el anuncio de lanzamiento, ElevenLabs muestra un fragmento de código limpio en JavaScript usando @elevenlabs/elevenlabs-js:

import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";

const elevenlabs = new ElevenLabsClient();
const connection = await elevenlabs.speechToText.realtime.connect({
  modelId: "scribe_v3_live",
  commitStrategy: "turn_prediction",
});

Sin embargo, si revisas las notas de migración en la documentación oficial de modelos de ElevenLabs, ElevenLabs advierte explícitamente que los SDK oficiales aún no admiten la predicción de turnos, el modo multilingüe ni la biblioteca de términos clave. Además, el parámetro commit_strategy toma el valor predeterminado "manual" si no se reconoce o no se establece explícitamente.

Si dependes de los wrappers actuales del SDK de Python o JavaScript y pasas turn_prediction o multilang_mode, esas funciones no se activarán. Para obtener hoy mismo la predicción de turnos basada en el contexto, el cambio de idioma a mitad de frase y la biblioteca de términos clave de 10,000 palabras, debes omitir el método auxiliar del SDK y abrir una conexión WebSocket directa a:

wss://api.elevenlabs.io/v1/speech-to-text/realtime?model_id=scribe_v3_live

En esa conexión WebSocket directa, pasa explícitamente commit_strategy="turn_prediction", diarize=true y multilang_mode=true en tu consulta o carga útil de inicialización.

Precios, límites de los planes y la regla de medición de silencios

ElevenLabs divide la facturación de Scribe v3 en dos sistemas completamente distintos según transcribas los archivos desde la interfaz web o a través de la API.

Niveles de suscripción en la interfaz web

Dentro del panel del navegador en elevenlabs.io, el uso de Scribe v3 está incluido en tu plan mensual junto con los créditos de generación de voz, con un tamaño máximo de archivo de 3 GB y soporte para hasta 32 etiquetas de hablantes:

• Free ($0/mes, 10k créditos): Acceso de prueba limitado a Scribe v3 en la interfaz; el uso de la API se factura por separado.
• Starter ($6/mes, $1 el primer mes, 30k créditos): Incluye 1 hora y 31 minutos de transcripción con Scribe v3 en la interfaz al mes y hasta 12 transcripciones simultáneas.
• Creator ($22/mes, $11 el primer mes, 121k créditos): Incluye 6 horas y 7 minutos al mes y hasta 20 transcripciones simultáneas.
• Pro ($99/mes, 600k créditos): Incluye 30 horas y 18 minutos al mes y hasta 40 transcripciones simultáneas.

Precios de la API y tarifas de complementos

Cuando llamas a scribe_v3 o scribe_v3_live a través de la API, ElevenLabs no descuenta créditos de caracteres de tu fondo de suscripción mensual. En su lugar, la API de voz a texto factura directamente en USD por segundo de audio, calculado según una tarifa por hora:

• Scribe v3 (API por lotes): $0.20 por hora de audio (~$3.33 por cada 1,000 minutos). Activar Keyterm Prompting añade +$0.05/hora, y habilitar la edición de transcripción (Transcript Editing) en lenguaje natural añade +$0.07/hora.
• Scribe v3 Live (API WebSocket en tiempo real): $0.22 por hora de audio transmitido (~$3.67 por cada 1,000 minutos). Activar Keyterm Prompting añade +$0.08/hora, adjuntar una Keyterm Library añade +$0.08/hora, y habilitar Transcript Editing añade +$0.12/hora. Si activas los tres complementos simultáneamente en una transmisión en vivo, tu tarifa efectiva sube de $0.22/hora a $0.50/hora.

Cuidado con la regla de medición de silencios

Antes de dejar abierta una conexión WebSocket de Scribe v3 Live durante un seminario web de todo el día o subir grabaciones de clases sin editar, lee la regla de facturación en la documentación de voz a texto de ElevenLabs: el silencio cuenta dentro de la duración facturada sin ningún descuento.

Tanto el endpoint por lotes como el de tiempo real contabilizan cada segundo de audio que transmites por la red, incluidas las pausas largas, los micrófonos silenciados y los descansos. Si mantienes abierto un WebSocket de scribe_v3_live durante una reunión de dos horas en la que nadie habla durante 45 minutos, seguirás pagando la tarifa completa por hora por esos 45 minutos de silencio. Para mantener baja tu factura de la API en aplicaciones de subtitulado en vivo, ejecuta un detector de silencio local ligero en el dispositivo cliente que deje de enviar tramas de audio cuando la sala haya estado completamente en silencio durante más de unos segundos, y deja que la función turn_prediction de Scribe v3 Live gestione las pausas naturales de menos de un segundo mientras alguien está hablando activamente.