ElevenLabs Scribe v3とLive：リアルタイム字幕と話者識別・ノイズ処理

Scribe v3とScribe v3 Liveの変更点

ほとんどの音声認識ベンチマークは、静かな部屋で録音された単一話者のクリップに依存しています。実際の通話や混雑した会議室でライブキャプションツールをテストすると、一般的な辞書にある単語でエラーが起きることはめったにありません。エラーが発生するのは、2人の発言が重なったとき、街頭の雑音で名前がかき消されたとき、あるいは話者が住所を読み上げるために話す速度を落とし、文字起こしエンジンが文を途中で分断してしまったときです。

無音タイマーに代わる文脈認識型の発話終了予測

Scribe v2 Realtimeや競合する大半のストリーミングAPIでは、発話終端の検出を単純な音声区間検出（VAD）の無音タイマーに頼っています。無音のしきい値をミリ秒単位で設定し、話者がその時間だけ発声を止めると、モデルが文を確定させる仕組みです。これには悩ましいトレードオフが伴います。ライブキャプションの反応を良くするためにしきい値を短く設定すると、話者が考えたりクレジットカード番号を読み上げたりするために文中で一息つくたびに、システムが文を途中で切ってしまいます。逆にしきい値を長く設定すると、字幕が実際の会話から遅れ、音声エージェントの応答も鈍く感じられます。

Scribe v3 Liveは、単純な無音タイマーを文脈認識型の発話終了予測（commit_strategy="turn_prediction"）に置き換えました。単にデシベルや無音のミリ秒数を測定するのではなく、音声ストリームと並行して、進行中の文の単語や音響的なイントネーション（抑揚）を評価します。たとえば話者が「郵便番号は4、5……」と言ってから紙を確認するために1秒ほど黙った場合、Scribe v3 Liveはそのフレーズが文法的にも音響的にも未完結であると認識し、発話ターンを開いたまま維持します。オランダのエネルギー供給会社Enecoがリリース前に実際のカスタマーサポート通話でScribe v3 Liveをテストしたところ、発話途中の数字が分断されなくなっただけで、オランダの郵便番号の初回認識率が40%、番地の認識率が15%向上しました。

リアルタイムおよび複数話者のダイアライゼーション

会議の文字起こしでは、単語が正しく認識されていても、ソフトウェアがアクションアイテムを別の人に割り当ててしまってはあまり役に立ちません。バッチモードでは、Scribe v3は1つの録音につき最大32人の話者をサポートし（diarize: true）、Scribe v2と比較してダイアライゼーションのエラーを全体で12%、3人以上の話者が含まれる録音では17%削減します。録音機材が参加者ごとに別々のトラックを収録している場合は、use_multi_channel=trueを有効にすることで最大5つのオーディオチャンネルを同時に処理し、音響クラスタリングに頼ることなく各チャンネルを個別の話者IDに直接マッピングすることも可能です。

より大きな変化はScribe v3 Liveにあります。これまでElevenLabsで話者ラベルを取得するには、通話終了後にバッチ処理が完了するのを待つ必要がありました。Scribe v3 Liveでは、150msのライブストリーム内でダイアライゼーションを実行します。話者識別によってテキスト表示が遅れるのを防ぐため、WebSocketストリームは部分的な文字起こしチャンクごとに暫定的なspeaker_idを送信し、キャプションウィンドウを即座に更新します。文が確定すると、その直後にAPIから確定済みの話者ラベル付きイベントが送信されます。会議やエージェント通話からなるElevenLabsの16言語の実環境データセットにおいて、Scribe v3 Liveは英語音声で3.1%のダイアライゼーション誤り率（DER）を記録し、テストされた他のリアルタイムモデル（5.9%〜7.3%）を39%上回りました。

文中での言語切り替えと10,000語の重要語句ライブラリ

多言語環境向けに、Scribe v3 Liveでは専用のmultilang_mode=trueパラメータが追加されました。従来のストリーミング設定では、文の途中でヒンディー語から英語、あるいはスペイン語から英語へ切り替えると、発音を無理に当てはめた意味不明な文字列になるか、事前に主言語を固定する必要がありました。マルチリンガルモードを有効にすると、Scribe v3 Liveは1つの文内でのコードスイッチング（言語切り替え）を検出し、話している通りにそれぞれの言語を本来の文字体系で記述します。録音ファイル向けには、Scribe v3でsecondary_language_codes（["en", "hi"]など）を渡すことで、複数言語が混在する音声にモデルを最適化できます。

英語以外の言語において、v3での精度向上は従来のライブキャプションが苦手としてきた言語で特に顕著です。FLEURSのバッチモードでは、Scribe v3は単語誤り率をドイツ語で42%、スペイン語で35%、スワヒリ語で34%、タミル語で29%、タイ語で28%、英語で23%削減しました。リアルタイムストリーミングでは、Scribe v3 Liveはセマンティック単語誤り率をギリシャ語で77%、デンマーク語で54%、クロアチア語で45%、ヒンディー語で36%削減しています。専門的な英語ベンチマークでも、訛りのある決算説明会（Earnings-22）でバッチWERが5.99%から3.91%へ、欧州議会の演説（VoxPopuli）では2.13%から1.71%へと低下しました。

社内用語や医薬品名、製品のSKUなどが日常語に自動補正されてしまうのを防ぐため、2つのモデルでは異なる語彙ツールが用意されています。

• Keyterm Prompting（重要語句プロンプティング）：両方のモデルで利用可能です。Scribe v3のバッチリクエストでは最大1,000個の特定語句（各50文字まで）、Scribe v3 Liveでは最大50個の語句（各20文字まで）を渡すことができます。
• Keyterm Library（重要語句ライブラリ）：Scribe v3 Live専用の機能で、最大10,000語（エンタープライズ構成では最大100,000語）の辞書をアップロードできます。10,000語すべてをアクティブなプロンプトウィンドウに詰め込んで推論を遅くするのではなく、登録語句に近い音響パターンを聞き取ったときにのみライブラリを照合します。
• フォーマットと墨消し（リダクション）制御：両モデルとも、数値の表記を算用数字または単語に強制する設定（numbers_format="digits"または"words"）、平易な英語による文字起こし編集ルールの指定（"write every date as YYYY-MM-DD"など）、笑い声や足音といった非音声イベントのタグ付け、および65種類の機密個人情報（PII）エンティティの検出・墨消しに対応しています。

Scribe v3およびv3 LiveとScribe v2、Soniox STT v6、Voxtral 3の比較

Scribe v3 Liveと他の文字起こしエンジンのどれを選ぶかは、音声がどのようにルーティングされるか、そしてデータをローカルマシンから外部へ送信してよいかどうかに帰着します。

Scribe v3とScribe v2の比較（およびElevenLabsアプリの動画キャプション）

先週公開したElevenLabsアプリの動画キャプションの記事では、iOS/AndroidアプリおよびStudio 4.0に導入された単語レベルの字幕タイミング、話者ごとの自動色分け、2言語翻訳トラックについて解説しました。そのロールアウト時点では、動画キャプションのパイプラインにはScribe v2が使われていました。

2026年11月10日をもって、ElevenLabsモバイルアプリ、Studio、およびElevenAgentsのデフォルトモデルはScribe v3とScribe v3 Liveに切り替わりました。スマートフォンでMP4クリップに字幕を焼き付ける動画クリエイターにとっては、アプリ内の操作手順はそのままに、Scribe v3による単語誤り率27%削減と、3人以上の発言が重なった際のよりクリーンな話者分離が自動的に適用されます。APIとモバイルアプリの違いは制御の細かさにあります。モバイルアプリが視覚的なスタイリングや2言語字幕のエクスポートに重点を置いているのに対し、Scribe v3 APIはライブ会議や自動化ワークフロー向けにエンティティの墨消し、マルチチャンネルのトラックマッピング、10,000語の重要語句ライブラリを公開しています。

Scribe v3 LiveとSoniox STT v6の比較

ElevenLabsのSpeech to Textページでは、Scribe v3 Liveは共通の対応言語セットでテストされたすべての主要なクラウドストリーミング競合モデルよりも低い多言語セマンティック単語誤り率を記録しています。

• vs. Gemini 3.5 Transcribe Live（75言語）：Scribe v3 Liveの4.8%に対しGeminiは8.3%
• vs. GPT-Live-Transcribe（57言語）：Scribe v3 Liveの3.9%に対しGPTは6.7%
• vs. Deepgram Nova-3（53言語）：Scribe v3 Liveの3.6%に対しDeepgramは12.5%
• vs. AssemblyAI Universal-3.6 Pro Realtime（31言語）：Scribe v3 Liveの3.6%に対しAssemblyAIは5.5%
• vs. Grok Voice Transcribe 2.0（25言語）：Scribe v3 Liveの2.3%に対しGrokは4.7%

ただし、単純なWERの数値だけでは、ヘッドフォンを使わずにノートPCでライブ会議や音声エージェントを実行した際に何が起こるかは分かりません。Soniox STT v6を検証した際、実用上の最大の強みとなったのは、60以上の言語のコードスイッチングと組み合わされた内蔵のAgent Voice Echo Cancellation（AEC：エージェント音声エコーキャンセレーション）でした。AI音声エージェントやリモート会議の参加者の声がノートPCのスピーカーから出力されても、Sonioxはその出力信号をマイク入力から除去するため、モデルが自身のエコーを文字起こししてしまうことがありません。

Scribe v3 Liveは、混雑した室内での複数話者ダイアライゼーションや文脈認識型の発話終了予測に優れており、90以上の言語という幅広いカバー範囲を持っています。しかし、Scribe v3 Liveにはローカルスピーカーからの音漏れに対するサーバーサイドのエコーキャンセレーションが含まれていません。ハードウェアやブラウザレベルのAECを有効にせずスピーカーフォン環境でScribe v3 Liveを実行すると、モデルはスピーカーからの出力音を聞き取り、室内にいる別の人物として扱って文字起こしに別の話者ラベルを付与してしまいます。

Scribe v3とVoxtral 3の比較

医療、法務、エンタープライズチーム向けに、ElevenLabsはScribe v3とv3 Liveをデフォルトで米国環境で稼働させているほか、EU、インド、シンガポールでの分離されたデータレジデンシー環境を提供しています。また、リクエスト完了直後に音声とテキストを削除するゼロリテンションモード（Zero Retention Mode）をサポートし、SOC 2、ISO 27001、PCI DSS Level 1への準拠に加えてHIPAAのビジネスアソシエイト契約（BAA）も提供しています。

ゼロリテンションモードを使用しても、Scribe v3がクラウドAPIであることに変わりはありません。Wi-Fiをオフにし、外部API通信を一切行わずにノートPC上で機密性の高い会議やインタビューを文字起こしする必要がある場合は、Voxtral 3とNemotron 3.5 Transcribeの比較を参照してください。MistralのVoxtral 3は、バックエンドサーバー不要で50以上の言語をローカルGPU上で処理できます。完全なローカル実行と時間課金ゼロを最優先する場合はVoxtral 3を選び、ローカルのVRAMを音声認識に割くことなく150msのストリーミング字幕、リアルタイムの話者ラベル、発話終了予測が必要な場合はScribe v3 Liveを選ぶとよいでしょう。

Scribe v3とScribe v3 Liveの有効化手順（およびSDKの落とし穴）

録画済みの動画に素早く字幕を付けたいか、ライブストリーミングのキャプションフィードを構築したいかに応じて、3つの経路からv3モデルにアクセスできます。

1. ElevenLabsのWeb版Studioとモバイルアプリ

ElevenLabsのiOSアプリまたはAndroidアプリを使用している場合、特別な設定を切り替える必要はありません。Scribe v3とScribe v3 Liveの両方がすでにデフォルトの文字起こしモデルとして有効になっています。録音したボイスメモやキャプション用にインポートした動画には、自動的にv3エンジンが使用されます。

デスクトップでは、ElevenCreative内のElevenLabs Speech to Textワークスペースにサインインします。Upload fileをクリックし、MP3、WAV、M4A、FLAC、MP4、MOV、AVI、またはWebMファイルをドロップします。Scribe v3の処理が完了すると、エディタ上に色分けされた話者ラベル、単語レベルのタイムスタンプ、非音声オーディオタグが表示され、文字起こし結果をSRT、VTT、DOCX、またはTXTファイルとして直接エクスポートできます。ElevenAgentsで対話型ボットを構築している場合は、エージェントのSpeech-to-Text / ASR設定パネルを開き、モデルのドロップダウンからScribe v3 Liveを選択します。ヘルスケア分野のチーム向けには、APIのscribe_v2_medicalと並んで、ElevenAgents内で医療向けにチューニングされたScribe v3 Liveのバリアントも提供されています。

2. バッチREST APIの設定（scribe_v3）

すでにElevenLabs Speech to Text APIを呼び出すスクリプトやアプリがある場合は、パラメータを差し替えるだけで録音音声の文字起こしをアップグレードできます。https://api.elevenlabs.io/v1/speech-to-textへのPOSTリクエストで、model_idを"scribe_v2"から"scribe_v3"に変更します。

バッチエンドポイントは、単一ファイルで最大5GB、長さ最大15時間まで受け付けます（use_multi_channel=trueを有効にした場合は、全チャンネルの合計時間が15時間までに制限されます）。8分（480秒）を超えるファイルをアップロードすると、ElevenLabsはバックグラウンドでConcurrency = min(4, round_up(audio_duration_secs / 480))の計算式に従って音声を最大4つの並列セグメントに自動分割するため、数時間に及ぶ会議の録音でも短時間で処理が完了します。

3. リアルタイムWebSocketの設定（scribe_v3_live）と公式SDKの落とし穴

ここがScribe v3 Liveへアップグレードする開発者が陥りやすい落とし穴です。リリース発表の中で、ElevenLabsは@elevenlabs/elevenlabs-jsを使ったシンプルなJavaScriptスニペットを紹介しています。

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

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

しかし、ElevenLabs公式モデルドキュメントの移行ノートを確認すると、公式SDKはまだ発話終了予測（turn prediction）、マルチリンガルモード、および重要語句ライブラリをサポートしていないと明記されています。さらに、commit_strategyパラメータが認識されない場合や明示的に設定されていない場合、デフォルトで"manual"になってしまいます。

現在のPythonまたはJavaScriptのSDKラッパーに頼ってturn_predictionやmultilang_modeを渡しても、それらの機能は有効になりません。現時点で文脈認識型の発話終了予測、文中での言語切り替え、10,000語の重要語句ライブラリを実際に利用するには、SDKのヘルパーメソッドを使わずに、以下のURLへ直接WebSocket接続を開く必要があります。

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

この直接のWebSocket接続において、クエリまたは初期化ペイロードにcommit_strategy="turn_prediction"、diarize=true、およびmultilang_mode=trueを明示的に渡してください。

料金体系、プラン制限、および無音区間の課金ルール

ElevenLabsでは、Web UI内でファイルを文字起こしするか、API経由で呼び出すかによって、Scribe v3の課金体系が完全に2つに分かれています。

Web UIのサブスクリプションプラン

elevenlabs.ioのブラウザダッシュボード内では、Scribe v3の利用枠は音声生成クレジットとともに月額プランにバンドルされており、最大ファイルサイズは3GB、最大32人の話者ラベルに対応しています。

• Free（$0/月、10kクレジット）：UIでのScribe v3の限定トライアルを利用できます。API利用分は別途課金されます。
• Starter（$6/月、初月$1、30kクレジット）：月あたり1時間31分のScribe v3 UI文字起こしと、最大12件の同時文字起こしが含まれます。
• Creator（$22/月、初月$11、121kクレジット）：月あたり6時間7分の利用枠と、最大20件の同時文字起こしが含まれます。
• Pro（$99/月、600kクレジット）：月あたり30時間18分の利用枠と、最大40件の同時文字起こしが含まれます。

API料金とアドオン費用

API経由でscribe_v3またはscribe_v3_liveを呼び出す場合、月額サブスクリプションのプールから文字クレジットは差し引かれません。代わりに、Speech to Text APIは時間単価に基づいて計算された音声1秒あたりの米ドル（USD）で直接課金されます。

• Scribe v3（バッチAPI）：音声1時間あたり$0.20（1,000分あたり約$3.33）。Keyterm Promptingを有効にすると**+$0.05/時間**、自然言語によるTranscript Editing（文字起こし編集）を有効にすると**+$0.07/時間**が加算されます。
• Scribe v3 Live（リアルタイムWebSocket API）：ストリーミング音声1時間あたり$0.22（1,000分あたり約$3.67）。Keyterm Promptingを有効にすると**+$0.08/時間**、Keyterm Libraryをアタッチすると**+$0.08/時間**、Transcript Editingを有効にすると**+$0.12/時間が加算されます。ライブストリームで3つのアドオンすべてを同時に有効にした場合、実効レートは$0.22/時間から$0.50/時間**に上がります。

無音区間の課金ルールに注意

終日のウェビナーでScribe v3 LiveのWebSocket接続を開いたままにしたり、未編集の講義録音をアップロードしたりする前に、ElevenLabs Speech to Textドキュメントに記載されている課金ルールを確認しておく必要があります。それは、無音区間も割引なしで課金対象の時間としてカウントされるという点です。

バッチとリアルタイムの両エンドポイントとも、長い沈黙やマイクのミュート中、休憩時間を含め、送信されたすべての音声を1秒残らず計測します。たとえば2時間の会議中にscribe_v3_liveのWebSocketを開いたままにし、そのうち45分間誰も話さなかったとしても、その無音の45分間に対して通常の時間単価が満額課金されます。ライブキャプションアプリでAPI料金を抑えるには、クライアント端末側で軽量なローカル無音検出を実行し、室内が数秒以上にわたって完全に無音になった場合はオーディオフレームの送信を停止しつつ、誰かが話している最中の自然な1秒未満の間（ま）についてはScribe v3 Liveのturn_predictionに処理を任せるのが効果的です。