Scribe v3 : ElevenLabs réduit les erreurs de transcription et identifie mieux qui parle

Une réunion à plusieurs voix, un client qui s’interrompt au milieu d’un numéro de contrat, une conversation qui passe d’une langue à l’autre : c’est dans ces situations que la transcription automatique trébuche le plus. ElevenLabs, la start-up connue pour ses voix de synthèse, a lancé le 10 novembre 2026 Scribe v3 et Scribe v3 Live, deux nouveaux modèles de conversion de la parole en texte conçus pour ces conditions réelles. Ils deviennent les modèles par défaut de son application.

Ce que demandaient les utilisateurs

Selon ElevenLabs, Scribe a déjà servi à transcrire des centaines de millions d’heures d’audio, pour des applications de prise de notes, des centres d’appels, des outils de documentation médicale ou des agents vocaux. L’entreprise dit avoir conçu cette version à partir de cinq demandes récurrentes de ses clients :

• une meilleure attribution de la parole dans les échanges rapides et à trois intervenants ou plus ;
• des agents vocaux qui ne coupent plus la parole aux personnes qui marquent une pause ;
• une transcription en direct aussi précise que celle des fichiers enregistrés ;
• une meilleure prise en charge des conversations qui mélangent deux langues, comme l’hindi et l’anglais en Inde ;
• davantage de contrôle sur le texte produit, des nombres aux listes de termes métier.

Deux modèles, deux usages

Selon ElevenLabs, Scribe v3 progresse dans toutes les langues testées. Parmi les langues les plus courantes, l’allemand gagne 42 %, l’espagnol 35 % et l’anglais 23 %. Les gains sont encore plus nets pour des langues réputées difficiles, comme le swahili (34 %), le tamoul (29 %) ou le thaï (28 %). En direct, le grec progresse de 77 % et le danois de 54 %. L’entreprise ne détaille pas le résultat pour le français.

Savoir qui parle, même en direct

Dans un compte rendu de réunion, attribuer chaque phrase au bon intervenant compte autant que les mots eux-mêmes. C’est ce qu’on appelle la diarisation. Selon ElevenLabs, Scribe v3 commet 17 % d’erreurs d’attribution en moins que la version précédente sur les enregistrements comptant trois intervenants ou plus, ceux où la plupart des modèles échouent.

Nouveauté notable, Scribe v3 Live propose cette identification en temps réel pour la première fois, avec 39 % d’erreurs en moins que le meilleur concurrent testé par l’entreprise. Sur la partie anglaise de son jeu de données, son taux d’erreur d’attribution est de 3,1 %, contre 5,9 % à 7,3 % pour les autres modèles en direct évalués.

Des agents vocaux qui coupent moins la parole

Pour un agent vocal, comme un standard téléphonique automatisé, savoir quand l’interlocuteur a fini de parler est crucial. Les systèmes classiques se fient au silence : trop court, le délai coupe la parole à quelqu’un qui marque une pause ; trop long, l’agent paraît lent. Scribe v3 Live tient compte du contexte de la conversation, en plus du son, pour qu’un client qui s’arrête au milieu d’un numéro ne soit pas interrompu.

L’énergéticien néerlandais Eneco, qui fournit plus de deux millions de foyers et d’entreprises, a testé le modèle avant son lancement sur son agent vocal. Selon ElevenLabs, celui-ci a reconnu correctement les codes postaux néerlandais du premier coup 40 % plus souvent, et les numéros de rue 15 % plus souvent.

Plus de contrôle sur le texte produit

Scribe v3 ajoute plusieurs réglages utiles aux professionnels :

• une liste de termes clés pouvant contenir jusqu’à 1 000 entrées (noms de marques, sigles, jargon, noms de médicaments) pour améliorer leur reconnaissance ;
• le choix du format des nombres, en chiffres ou en toutes lettres ;
• des règles de mise en forme écrites en langage courant, par exemple écrire toutes les dates au format année, mois, jour ;
• en direct, un mode multilingue pour les conversations qui changent de langue en cours de phrase, et une bibliothèque de termes pour les vocabulaires trop vastes pour une simple liste.

Ce que vaut un point d’erreur en moins

ElevenLabs propose un repère concret. Une réunion d’une heure à 150 mots par minute représente environ 9 000 mots. Passer d’un taux d’erreur de 4 % à 2 % revient à éviter 180 mots mal transcrits, soit trois par minute de parole. Et ces erreurs se concentrent souvent sur les noms, les nombres et les termes techniques, précisément ceux dont un résumé automatique ou un agent a le plus besoin. Sur une conférence financière, « fifteen » compris comme « fifty » peut fausser une analyse.

Les chiffres restent toutefois ceux d’ElevenLabs. L’entreprise précise sa méthode : chaque langue est notée séparément avant de calculer une moyenne, ce qui rend ses résultats difficiles à comparer directement avec d’autres publications. Elle annonce publier prochainement en open source le jeu de données de réunions et d’appels utilisé pour ses tests.

Données, confidentialité et prix

Les modèles fonctionnent par défaut aux États-Unis, mais des environnements isolés en Europe, en Inde et à Singapour sont proposés aux entreprises soumises à des exigences de localisation des données. Un mode sans conservation supprime l’audio et le texte dès la fin de la requête. ElevenLabs met en avant ses certifications de sécurité, dont SOC 2 et ISO 27001, et propose une version de Scribe v3 Live adaptée aux conversations médicales pour ses agents.

Côté tarifs, plusieurs médias spécialisés indiquent des prix identiques à ceux de la génération précédente pour les développeurs, soit environ 0,20 dollar de l’heure pour Scribe v3 et 0,22 dollar pour Scribe v3 Live. Pour les développeurs qui utilisent déjà Scribe v2, la migration se limite à changer l’identifiant du modèle.

Une concurrence de plus en plus vive

La transcription est devenue un terrain très disputé, entre les géants de l’IA et des acteurs spécialisés. Fin octobre, NVIDIA a ainsi publié Nemotron 3.5 Transcribe, un modèle ouvert de transcription qui comprend le français. ElevenLabs mise sur un créneau précis : les conversations réelles, désordonnées, à plusieurs voix, là où se jouent les comptes rendus automatiques et les agents vocaux. Reste à vérifier, sur des enregistrements en français, si les gains annoncés se confirment pour les utilisateurs francophones.