ElevenLabs Scribe v3. Cena, język polski i zmiany wobec Scribe v2

Co zmienia się w Scribe v3

Scribe v3 to trzecia generacja modeli ElevenLabs do zamiany mowy na tekst (speech-to-text). Firma wydała ją w dwóch wariantach. Scribe v3 przetwarza gotowe nagrania, czyli spotkania, wywiady, podcasty i webinary. Scribe v3 Live przetwarza dźwięk na bieżąco i jest przeznaczony głównie dla agentów głosowych, napisów na żywo i obsługi połączeń.

Najważniejsza zmiana dotyczy dokładności. ElevenLabs podaje, że Scribe v3 ma o 27 proc. mniej błędnie rozpoznanych słów niż Scribe v2, licząc łącznie dla 102 języków w teście FLEURS. Największą poprawę producent wskazuje dla niemieckiego (42 proc.) i hiszpańskiego (35 proc.), a dla angielskiego 23 proc. Wariant Live ma według firmy o 43 proc. mniej błędów znaczeniowych niż Scribe v2 Realtime i o 31 proc. niższy klasyczny wskaźnik WER.

Wszystkie te liczby pochodzą od producenta. Na dzień publikacji brak niezależnych porównań, a test FLEURS składa się z czytanych zdań, więc nie oddaje w pełni hałasu, akcentów i przerywania się rozmówców w prawdziwych rozmowach.

Nowe funkcje w transkrypcji na żywo

Wariant Live dostał kilka funkcji, które wcześniej były dostępne tylko przy przetwarzaniu nagrań albo nie istniały wcale. Z punktu widzenia firmy budującej agenta głosowego liczą się przede wszystkim te, które zmniejszają liczbę pomyłek w danych klienta.

• Rozpoznawanie mówców (diaryzacja) w czasie rzeczywistym. W angielskich nagraniach odsetek błędów przypisania wypowiedzi wyniósł według ElevenLabs 3,1 proc., wobec 5,9-7,3 proc. u innych testowanych modeli.
• Wykrywanie końca wypowiedzi na podstawie kontekstu rozmowy, a nie tylko ciszy. Agent rzadziej przerywa osobie, która zawiesiła głos w połowie zdania.
• Lista do 1000 terminów, na przykład nazw marek, produktów i żargonu branżowego, które model ma rozpoznawać poprawnie.
• Biblioteka kilku tysięcy terminów, po które model sięga dopiero wtedy, gdy usłyszy prawdopodobne dopasowanie.
• Obsługa rozmów, w których rozmówca zmienia język w trakcie zdania, oraz reguły formatowania, na przykład zapis liczb cyframi albo słowami.

Ile kosztuje Scribe v3 w złotych

ElevenLabs nie podniósł cen. W cenniku API Scribe v3 kosztuje tyle samo co Scribe v2, a Scribe v3 Live tyle samo co Scribe v2 Realtime. Przeliczyliśmy stawki po średnim kursie NBP z 12 listopada 2026 roku (1 USD = 3,9676 zł). Kwoty nie obejmują VAT, a w płatnych planach część godzin jest wliczona w abonament.

• Scribe v3, godzina nagrania - 0,20 USD, ok. 0,79 zł.
• Scribe v3 Live, godzina transkrypcji na żywo - 0,22 USD, ok. 0,87 zł.
• Lista terminów branżowych - dopłata 0,05 USD za godzinę w Scribe v3 (ok. 0,20 zł) i 0,08 USD w Scribe v3 Live (ok. 0,32 zł).
• Biblioteka terminów w Scribe v3 Live - dopłata 0,08 USD za godzinę, ok. 0,32 zł.
• Edycja transkrypcji - 0,07 USD za godzinę w Scribe v3 (ok. 0,28 zł) i 0,12 USD w Scribe v3 Live (ok. 0,48 zł).

Jak wypada na tle Gemini, OpenAI i Microsoftu

W cenie za godzinę nagrania Scribe v3 należy do tańszych usług w API. Według stawek opisanych wcześniej w dailyAI Gemini 3.5 Transcribe kosztuje około 0,30 USD za godzinę nagrania, a gpt-transcribe od OpenAI 0,27 USD (0,0045 USD za minutę). Przy transkrypcji na żywo różnica jest większa. Gemini 3.5 Transcribe na żywo i MAI-Transcribe-2-Streaming od Microsoftu kosztują około 0,54 USD za godzinę, a gpt-live-transcribe 1,02 USD.

Przykład z praktyki. Firma szkoleniowa, która co miesiąc spisuje 40 godzin webinarów, zapłaci za Scribe v3 ok. 8 USD, czyli ok. 31,74 zł netto, bez dopłat za listę terminów. Przy takich kwotach o wyborze usługi decyduje raczej jakość polskiej transkrypcji, miejsce przetwarzania danych i łatwość integracji niż sama stawka. Każdy dostawca inaczej liczy też ciszę i minimalny czas nagrania, więc rachunki warto porównać na własnych plikach.

Czy Scribe v3 dobrze rozumie polski

Polski jest na liście języków obsługiwanych przez Scribe v3 i Scribe v2. W dokumentacji ElevenLabs polski znajduje się w najwyższej grupie dokładności, z WER do 5 proc., ale ta klasyfikacja jest opisana dla Scribe v2. Dla Scribe v3 producent podał tylko wynik łączny i kilka przykładowych języków, wśród których polskiego nie ma.

Jedyny opisany wdrożeniowy przykład pochodzi z Europy. Holenderski dostawca energii Eneco testował Scribe v3 Live w swoim agencie głosowym. Według firmy agent poprawnie rozpoznawał kody pocztowe za pierwszym razem o 40 proc. częściej, a numery domów o 15 proc. częściej. Dla polskiej infolinii odpowiednikiem takiego testu będą adresy, nazwiska, numery PESEL i NIP oraz kwoty podawane słownie.

Ograniczenia i dane osobowe

Przed przeniesieniem nagrań z rozmów do nowego modelu warto sprawdzić kilka warunków, których premiera nie zmienia.

• Modele domyślnie przetwarzają dane w USA. Wydzielone środowisko w UE, a także w Indiach i Singapurze, jest dostępne dla klientów Enterprise.
• Tryb Zero Retention usuwa nagranie i tekst po zakończeniu zapytania, ale trzeba go włączyć w umowie lub konfiguracji konta.
• Wyniki dokładności pochodzą od producenta i nie obejmują osobnych danych dla polskiego.
• Nagranie rozmowy z klientem to dane osobowe w rozumieniu RODO. Firma potrzebuje podstawy prawnej, informacji dla rozmówcy i umowy powierzenia przetwarzania z dostawcą.
• ElevenLabs udostępnia też medyczną wersję Scribe v3 Live w ElevenAgents, ale certyfikaty wymienione przez firmę dotyczą głównie rynku amerykańskiego.

Jak przejść na nowy model

Istniejąca integracja wymaga tylko zmiany identyfikatora modelu na scribe_v3 albo scribe_v3_live. W aplikacji ElevenLabs nowe modele są już ustawione jako domyślne, więc użytkownicy panelu korzystają z nich bez żadnych zmian.

W naszej ocenie najrozsądniej zacząć od porównania obu wersji na kilkunastu własnych nagraniach z typowym hałasem, nazwami produktów i nazwiskami klientów. Ponieważ cena Scribe v2 i Scribe v3 jest identyczna, taki test kosztuje kilka złotych, a pokaże, czy deklarowana poprawa dotyczy też polskich rozmów.