Scribe v2 リアルタイム音声認識 - 150ms低遅延API

概要

ElevenLabsが、90以上の言語に対応し150msの超低遅延を実現したリアルタイム音声認識モデル「Scribe v2 Realtime」をリリースしました。

詳細内容

ElevenLabsは、会話型AIやAIエージェント向けに最適化された最新の音声認識（STT）モデル「Scribe v2 Realtime」を発表しました。このモデルは業界最高水準の約150msという極低遅延を誇り、90以上の言語で高い文字起こし精度を実現しています。Gemini FlashやGPT-4o Miniといった主要な競合モデルをベンチマークで上回る性能を示しており、特に複雑な専門用語、多様なアクセント、フィラー（えー、あの等）を含む自然な会話の処理に長けています。開発者はWebSocketやREST APIを通じて容易に統合可能で、音声活動検出（VAD）や手動コミット制御などの高度な機能を備えています。料金体系は1時間あたり0.28ドル以下からと、スタートアップからエンタープライズまでスケーラブルに利用可能です。

元記事を読む他のサマリーを見る