ElevenLabs ha presentado Scribe v3 y Scribe v3 Live, dos modelos que convierten la voz en texto y están pensados para audios difíciles, con gente que habla a la vez o con ruido de fondo. El primero sirve para archivos grabados; el segundo, para conversaciones en directo.
La empresa asegura que Scribe v3 reduce cerca de un 25 % los errores de palabra frente a su versión anterior, en 102 idiomas. También afirma que mejora mucho en alemán y que identifica mejor a quién pertenece cada intervención en reuniones con muchas personas. Ambos modelos están disponibles desde ya a través de su interfaz para desarrolladores y de su plataforma ElevenAgents.
Precisa, pero lenta y cara
Las pruebas independientes de Artificial Analysis confirman que Scribe v3 está entre los transcriptores más precisos del mercado. Supera a modelos de Microsoft, Mistral, xAI, Google y OpenAI, y solo queda por detrás de una versión preliminar de Alibaba.
Ahora bien, quien necesite procesar grandes cantidades de audio de forma rápida y barata hará mejor en otra parte. ElevenLabs está en un punto medio en velocidad y precio. Los modelos de Microsoft y xAI funcionan muchas veces más rápido, con errores algo mayores, y cuestan la mitad aproximadamente.
La prueba mide solo los errores de palabra en archivos grabados. No recoge las mejoras que ElevenLabs destaca en la identificación de hablantes, en idiomas poco frecuentes ni en el funcionamiento en tiempo real de Scribe v3 Live.
Un asistente que no corta al cliente
El problema que quiere resolver Scribe v3 Live es conocido. Muchos asistentes de voz usan temporizadores de silencio rígidos, de modo que cortan a la persona cuando se detiene un momento a pensar o cuando dicta despacio una serie de números. El nuevo modelo analiza el contexto de la conversación junto con el sonido, para distinguir cuándo el interlocutor ha terminado de verdad.
La herramienta también da más control a los desarrolladores sobre la transcripción final. Se pueden cargar de antemano miles de términos especializados, como nombres de marcas o medicamentos, para que no los confunda. Además, pueden definir cómo se escriben los números o las fechas, y un modo multilingüe gestiona los cambios de idioma en mitad de una frase.
Para las empresas hay servidores aislados en la Unión Europea y un modo de retención cero, que borra los datos justo después de cada petición.
Alianzas con Nvidia y McKinsey
ElevenLabs aprovecha el lanzamiento para ampliar su negocio con empresas. Con Nvidia, que amplía su acuerdo, integrará en ElevenAgents el modelo de lenguaje abierto Nemotron 3.5 Super VL, obtendrá más capacidad de cálculo en los sistemas de Nvidia y desarrollará control por voz para robots. También prepara un agente telefónico para el sistema público de salud de Polonia.
La compañía ha anunciado además una alianza con la consultora McKinsey, un programa de socios más amplio para integradores de sistemas y un mercado propio donde empresas como Salesforce, IBM o Zendesk ofrecen agentes de voz ya hechos.
El movimiento apunta a que la voz se convierta en una forma habitual de atender a los clientes por teléfono. Lo que queda por ver es si la precisión compensa una velocidad y un precio que, según las pruebas, todavía están por detrás de la competencia.




