Scribe v3（スクライブ・ブイスリー）は、ElevenLabsが2026年11月10日に発表した録音音声向けの音声認識（Speech to Text）モデルで、102言語で従来のScribe v2より単語誤りを27%減らしたとされています。同時にリアルタイム向けのScribe v3 Liveも登場しました。
室谷代表取締役今日はElevenLabsのScribe v3とScribe v3 Liveですね。音声認識の新モデルが2本同時に出た、というのがまず押さえどころなんですよね。
テキトー教師DotAI 認定講師そうなんですよ。しかも「録音音声向け」と「リアルタイム向け」で役割をはっきり分けてきたのが今回の特徴で、単に精度が上がったという話じゃないんです。
Scribe v3とは？何が発表されたのか
まとめ
Scribe v3とは？何が発表されたのか
- Scribe v3はElevenLabsが2026年11月10日に発表した録音音声向けの音声認識モデル
- 会議・通話・インタビューなどの音声をテキスト化する
- 同時にリアルタイム版「Scribe v3 Live」も発表
- 公式ブログでは「これまでで最も高精度なSpeech to Textモデル」と位置づけ
- Scribeシリーズは会議メモアプリ・コンタクトセンター・臨床記録・音声エージェントなどで数億時間の文字起こしを処理してきた
- 現場の要望5つ(3人以上の会議での話者分離、文中の「間」で通話者が遮断される問題、リアルタイムがバッチより精度で劣る点、ヒンディー語と英語の混在、数字表記や大規模な用語リストといった出力の制御)が今回の改善に直結
室谷代表取締役まず定義から整理すると、Scribe v3はElevenLabsが2026年11月10日に発表した録音音声向けの音声認識モデルで、会議・通話・インタビューなどの音声をテキストにするモデルです。同時にScribe v3 Liveというリアルタイム版も発表されました。
テキトー教師DotAI 認定講師公式ブログでは「これまでで最も高精度なSpeech to Textモデル」と位置づけています。Scribeシリーズはこれまで会議メモアプリ、コンタクトセンター、臨床記録、音声エージェントなどで数億時間の文字起こしを処理してきた、というのが前提として語られています。
室谷代表取締役数億時間ですからね。そこで溜まった現場の要望が5つあって、それが今回の改善に直結していると。
テキトー教師DotAI 認定講師資料で挙げられているのは、3人以上の会議での話者分離、文中の「間」で通話者が遮断される問題、リアルタイムがバッチより精度で劣る点、ヒンディー語と英語の混在、数字表記や大規模な用語リストといった出力の制御です。要するに現場の不満を潰しにきたアップデートなんですよ。
室谷代表取締役なるほど、開発チームの声がそのまま仕様になっている感じですね。MYUUUでも音声の文字起こしは日常的に使うので、文中の「間」で切られる問題は他人事じゃないんですよね・・・。
テキトー教師DotAI 認定講師そこは後半でじっくり話しましょう。まずは何ができるようになったかです。
Scribe v3でできること——精度・話者分離・言語対応
Scribe v3でできること
認識精度の向上
102言語でScribe v2比27%の単語誤り削減。ドイツ語42%、スペイン語35%、英語23%、スワヒリ語34%、タミル語29%、タイ語28%改善
話者分離
全体で12%改善、3人以上の録音では17%改善。最大32話者までラベル付け可能
多言語対応
公式表記は「90+ languages」、ブログでは評価に使った言語数として102言語。日本語も対応
出力の制御
数字表記の選択、キータームプロンプティング（バッチ1,000語・各50文字／リアルタイム50語・各20文字）、書式ルールによる文字起こし編集
音声イベントのタグ付け
笑い声や足音などを拾って文字起こしに文脈を追加（Dynamic audio tagging）
エンティティ検出・伏字化
個人情報（PII）を自動で伏せられる
室谷代表取締役数字を整理すると、Scribe v3は102言語でScribe v2比27%の単語誤り削減。話者分離は全体で12%改善、3人以上の録音では17%改善で、最大32話者までラベル付けできると。
テキトー教師DotAI 認定講師言語ごとの伸びも面白いんですよ。ドイツ語42%改善、スペイン語35%、英語23%。
一方で難しい言語ほど伸びが大きくて、スワヒリ語34%、タミル語29%、タイ語28%となっています。
一方で難しい言語ほど伸びが大きくて、スワヒリ語34%、タミル語29%、タイ語28%となっています。
室谷代表取締役簡単な言語はもう十分に精度が高くて、難しいところに効いてくる。音声認識らしい改善の仕方ですよね。
テキトー教師DotAI 認定講師公式ページでは対応言語を「90+ languages」と表記している箇所もあって、ブログの102言語は評価に使った言語数という整理になっています。日本語も対応言語のリストに入っていますよ。
室谷代表取締役日本語対応は実務でかなり大事ですからね。で、話者分離の「3人以上で17%改善」というのは、会議の議事録を作る側からすると一番ありがたい数字かもしれない。
テキトー教師DotAI 認定講師資料でも「3人以上の録音こそ既存モデルが失敗する場面」と書かれています。2人の会話は得意でも、3人以上がかぶせて話すと崩れる、というのは現場あるあるですからね。
室谷代表取締役あとは出力の制御系。数字を「123」と書くか「forty-two」と書くかを選べる、キータームプロンプティングは最大1,000語、プレーンな英語で書いた書式ルールで文字起こしを編集できる、と。
テキトー教師DotAI 認定講師キータームは商品名や略語、専門用語を事前に登録しておく機能ですね。ドキュメントによるとバッチは1,000語（各50文字）まで、リアルタイムは50語（各20文字）までです。
室谷代表取締役それと地味に大きいのが、音声イベントのタグ付けですよね。笑い声や足音まで拾って文字起こしに文脈を足してくれる。
テキトー教師DotAI 認定講師公式ページに「Dynamic audio tagging」として載っています。あとエンティティ検出と伏字化（PII redaction）も。
個人情報を自動で伏せられるのは、業務利用では効いてきます。
個人情報を自動で伏せられるのは、業務利用では効いてきます。
室谷代表取締役ちなみにScribeは翻訳はしないんですよね。話された言語のまま文字起こしする、と。
テキトー教師DotAI 認定講師そこは誤解されやすいので押さえておきたいです。多言語音声は「どの言語が出てくるか」を指定して精度を上げる機能であって、翻訳機能ではないですからね。
Scribe v3 Liveとは？リアルタイム版との違いと使い分け
Scribe v3 Liveの主な特徴
低遅延リアルタイムモデル
中央値レイテンシ150ms。Scribe v2 Realtime比で意味的WER 43%削減、WER 31%削減（自社評価）
リアルタイム話者分離を初搭載
次の最良リアルタイムモデル比で話者分離の誤り39%少ない。diarize=trueで暫定ラベル→確定後に話者分離版が続く
ターン検出
無音時間だけでなく会話の文脈も使って「話し終えたか」を判定。ElevenAgentsで使われていた機能がElevenAPIでも利用可能に
キータームライブラリ
最大10,000語（一部記載は100,000語、公式最新表記を確認）。「出るかもしれない語」を大量に保持し、それらしい音のときだけ参照。医療辞書・法務用語・製品カタログ向き
キータームプロンプティングとの違い
プロンプティングは「必ず出る語」を登録するのに対し、ライブラリは候補語を大量に持つ方式
室谷代表取締役ここが今回の主役級で、Scribe v3 Liveはリアルタイム音声向けの低遅延モデルで、Scribe v2 Realtime比で意味的WER（Word Error Rate、単語誤り率）を43%削減、WERで31%削減とされています。
テキトー教師DotAI 認定講師中央値レイテンシは150ms。そしてリアルタイムでの話者分離を初搭載していて、次の最良のリアルタイムモデルと比べて話者分離の誤りが39%少ないと。
室谷代表取締役リアルタイムで話者分離ができると、会議のライブ字幕で「誰が話しているか」が出せるわけですよね。
テキトー教師DotAI 認定講師ドキュメントでは diarize=true を設定すると、部分的な文字起こしに暫定の話者ラベルが出て、確定した文字起こしの後に遅延なく話者分離版が続く、という挙動になっています。
室谷代表取締役もう一つの目玉がターン検出です。従来は無音時間で「話し終えたか」を判定していたのを、会話の文脈も使って判断するようにした、と。
テキトー教師DotAI 認定講師これ、電話番号を途中で区切って読む人には本当に大事なんですよ。短い無音しきい値だと遮断してしまうし、長くするとエージェントが鈍く感じる。
そのトレードオフを会話文脈で解く、という発想ですね。ElevenAgentsですでに使われていたターン検出がElevenAPIでも使えるようになった、という整理です。
そのトレードオフを会話文脈で解く、という発想ですね。ElevenAgentsですでに使われていたターン検出がElevenAPIでも使えるようになった、という整理です。
室谷代表取締役あとキータームライブラリ。こちらは最大10,000語で、ドキュメントによっては100,000語と記載がある箇所もあるので、そこは公式の最新表記を確認したほうがいいですね。
テキトー教師DotAI 認定講師キータームプロンプティングが「必ず出る語」を登録するのに対して、ライブラリは「出るかもしれない語」を大量に持っておいて、それらしい音がしたときだけ参照する仕組みです。医療辞書や法務用語、製品カタログに向く、と。
室谷代表取締役使い分けはシンプルで、録音済みの音声を正確に文字起こしするならScribe v3、通話やライブ字幕のように今まさに流れている音声ならScribe v3 Live、という整理でいいんですよね。
テキトー教師DotAI 認定講師そうですね。リアルタイムは速度と引き換えに精度を犠牲にする、というのがこれまでの常識でしたが、そこに正面から手を入れてきたのが今回の発表です。
室谷代表取締役数字の裏取りについても触れておきたいんですけど、この比較はすべてElevenLabsの自社評価なんですよね。
テキトー教師DotAI 認定講師はい、そこは正確に伝えるべきで、外部の第三者検証ではないです。公式ページの比較グラフも自社計測の数値ですから、導入検討時は自分の音声データで試すのが前提になりますね。
Scribe v3の使い方・始め方——API移行とElevenAgentsでの利用
室谷代表取締役使い方の話をしましょう。Scribe v3 LiveはElevenAgentsで即日提供、両モデルはElevenAPIで提供されていて、Scribe v3はElevenLabsアプリのデフォルトになっています。
テキトー教師DotAI 認定講師既存のScribe v2からの移行は、モデルIDを scribe_v3 または scribe_v3_live に変える1行の変更で済むと公式ブログに書かれています。
室谷代表取締役これはありがたいですよね。SDKの例も公式に出ていて、realtime.connect に modelId: "scribe_v3_live"、commitStrategy: "turn_prediction" を渡す形になっています。
テキトー教師DotAI 認定講師既存のパイプラインを大きく作り替えずに試せる、というのは導入のハードルを下げます。まずは一部の音声でA/B比較してみる、という進め方が現実的ですね。
室谷代表取締役あと医療向けに、ElevenAgentsで医療会話に最適化したScribe v3 Liveのバージョンも出る、と発表されています。
テキトー教師DotAI 認定講師臨床記録は言い間違いがそのまま残ると困る領域ですから、そこに専用版を出すというのは筋が通っていますね。
室谷代表取締役Scribe v3の料金と提供範囲——日本から使えるのか
室谷代表取締役料金は公式ページのFAQに「文字起こし1時間あたり$0.22から」と記載があります。大規模になるとエンタープライズプランでもっと下がる、という書き方ですね。
テキトー教師DotAI 認定講師プラン側も整理しておくと、Freeが月10kクレジット、Starterが月6ドル（初月1ドル）で30k、Creatorが月22ドル（初月11ドル）で121k、Proが月99ドルで600kクレジット。追加1時間はAPI経由で$0.20という表記です。
室谷代表取締役ただしキータームプロンプティングと文字起こし編集は追加コストがかかる、とドキュメントに明記されています。ここは見積もり時に忘れがちなんですよね。
テキトー教師DotAI 認定講師データの扱いも重要です。既定は米国で、EU・インド・シンガポールのデータレジデンシー環境、Zero Retention Mode、HIPAA対応（BAA締結）、SOC 2・ISO 27001・PCI DSS準拠、プライベートデプロイも用意されています。
室谷代表取締役日本から使えるかという点ですが、公式の対応言語リストに日本語が入っていて、API経由で利用できる構成になっています。日本リージョンのデータレジデンシーについては今回の資料には記載がないので、現時点では明らかにされていません。
テキトー教師DotAI 認定講師そこは要件次第で、EUやインドのようにリージョン指定が必要な企業は公式に確認する必要がありますね。
室谷代表取締役Scribe v3はどんな現場に向くのか——会議・コンタクトセンター・音声エージェント
室谷代表取締役ユースケースを整理すると、まず録音音声の文字起こし。会議、ポッドキャスト、インタビュー、字幕、臨床記録あたりがScribe v3の主戦場です。
テキトー教師DotAI 認定講師公式ブログに面白い試算があって、1時間の会議を毎分150語とすると約9,000語。WERが4%と2%の差は180語、つまり話していた1分あたり3語の誤りになる、と。
話者分離の誤差は1ポイントあたり36秒分の発話が別人の名前になる、という換算です。
話者分離の誤差は1ポイントあたり36秒分の発話が別人の名前になる、という換算です。
室谷代表取締役これはわかりやすいですよね。ポッドキャストなら誤字で済むけど、決算説明会で「15」が「50」に聞こえたら分析モデルにそのまま入ってしまう、と。
テキトー教師DotAI 認定講師誤りは人名・数字・略語・専門用語に集中する。つまり要約やエージェントが一番正確に扱いたい語に誤りが集まる、という指摘は鋭いです。
室谷代表取締役コンタクトセンターも大きいですね。雑音環境、文中の間、母語じゃない話者、という条件がまさにScribeが狙う「real-world audio」ですから。
テキトー教師DotAI 認定講師そして音声エージェント。ElevenAgentsでの実例として、オランダのエネルギー企業Enecoの音声エージェントが、オランダの郵便番号を初回で正しく認識する頻度が40%向上、番地は15%向上したと紹介されています。
室谷代表取締役1桁聞き間違えるだけで本人確認が失敗する世界ですから、初回認識率の改善はそのまま通話完了率に効きますよね。
テキトー教師DotAI 認定講師Enecoの担当者もコメントを出していて、早期に大きな結果が出たことを歓迎しています。
室谷代表取締役リアルタイムのライブ字幕もv3 Liveの用途ですね。会議のライブ議事録、アクセシビリティ字幕、通話のモニタリングあたり。
テキトー教師DotAI 認定講師逆に、録音済みの大量音声を一括処理するならv3、遅延が許されない対話ならv3 Live。この2軸で選べば迷わないです。
室谷代表取締役あと多言語の混在。ヒンディー語と英語が文中で切り替わるケースは、インドの顧客要望として明示的に挙がっていました。
v3 Liveには文中の言語切り替えに対応するマルチリンガルモードがあります。
v3 Liveには文中の言語切り替えに対応するマルチリンガルモードがあります。
テキトー教師DotAI 認定講師日本語と英語の混在トークなんかも、まさにこの機能が効いてくる場面ですね。
よくある質問
室谷代表取締役ここからは、導入前に聞かれそうな点を整理していきましょう。
テキトー教師DotAI 認定講師まず精度。Scribe v3は102言語のFLEURSでScribe v2比27%のWER削減、Scribe v3 Liveは意味的WERで43%削減、WERで31%削減です。
ただしすべて自社評価である点は繰り返し押さえておきたいですね。
ただしすべて自社評価である点は繰り返し押さえておきたいですね。
室谷代表取締役対応言語は？
テキトー教師DotAI 認定講師公式ページでは90+言語、ブログの評価は102言語です。日本語・英語・中国語・韓国語・ヒンディー語・アラビア語などがリストに含まれ、言語は自動検出されます。
室谷代表取締役話者分離は何人まで？
テキトー教師DotAI 認定講師Scribe v3は最大32話者まで自動でラベル付けします。リアルタイムのv3 Liveも話者分離に対応しています。
室谷代表取締役料金は？
テキトー教師DotAI 認定講師文字起こし1時間あたり$0.22から。追加1時間はAPI経由で$0.20という表記です。
キータームプロンプティングと文字起こし編集は追加コストがかかります。
キータームプロンプティングと文字起こし編集は追加コストがかかります。
室谷代表取締役無料で試せる？
テキトー教師DotAI 認定講師Freeプランで月10kクレジットが用意されています。まずは短い音声で自社データの精度を確認するのがいいですね。
室谷代表取締役v2からの移行は大変？
テキトー教師DotAI 認定講師モデルIDをscribe_v3またはscribe_v3_liveに変える1行の変更で移行できます。
室谷代表取締役日本から使える？
テキトー教師DotAI 認定講師日本語は対応言語に含まれ、API経由で利用できます。データレジデンシーは米国既定でEU・インド・シンガポールが用意されていますが、日本リージョンについては今回の資料に記載がなく、現時点では明らかにされていません。
室谷代表取締役翻訳もしてくれる？
テキトー教師DotAI 認定講師いいえ、Scribeは翻訳しません。話された言語のまま文字起こしします。
多言語設定は精度を上げるためのもので、翻訳機能ではないですよ。
多言語設定は精度を上げるためのもので、翻訳機能ではないですよ。
室谷代表取締役というわけで、Scribe v3は「精度の底上げ」と「リアルタイムの品質改善」を同時に狙った発表でした。まずは自社の音声で触ってみるのが一番早いですね。
テキトー教師DotAI 認定講師そうですね。数字は自社評価ですから、現場の音声で確かめた人から導入が決まる、といういつものパターンになりそうです。
