ElevenLabs publicó dos modelos nuevos de reconocimiento de voz, Scribe v3 y Scribe v3 Live, según informó The Decoder el 12 de noviembre de 2026. Están hechos para el audio desordenado de verdad, como reuniones donde varias personas hablan a la vez o llamadas telefónicas con ruido de fondo.
Scribe v3 trabaja sobre archivos ya grabados. Scribe v3 Live apunta a aplicaciones en tiempo real que necesitan baja latencia. Los dos ya están disponibles en la interfaz para desarrolladores ElevenAPI y en la plataforma ElevenAgents.
Según la empresa, Scribe v3 reduce los errores de palabra en cerca de 25% frente a su antecesor, medido sobre 102 idiomas, y el alemán mejora de forma marcada. La diarización (separar quién dice qué) también funciona mejor en conversaciones de grupos grandes, y con Scribe v3 Live queda disponible en tiempo real por primera vez.
¿Qué tan preciso es frente a la competencia?
Las pruebas independientes de Artificial Analysis confirman que Scribe v3 está entre los modelos de transcripción más precisos del mercado. Supera a los de Microsoft, Mistral, xAI, Google y OpenAI, y solo queda detrás de un modelo en vista previa de Alibaba.
La contracara es la velocidad. En esa misma prueba Scribe v3 queda más lento que varios rivales, y su precio de referencia es de 3,33 dólares por cada 1.000 minutos. ElevenLabs cae a mitad de tabla en velocidad y en costo. Los modelos de Microsoft y xAI corren varias veces más rápido, con una tasa de error apenas mayor, y cuestan cerca de la mitad.
Quien necesite procesar grandes volúmenes de audio rápido y barato tiene mejores opciones en otros proveedores. Además, la prueba solo mide errores de palabra en archivos grabados. No evalúa las mejoras que ElevenLabs promociona en diarización, idiomas poco comunes ni el comportamiento en tiempo real de Scribe v3 Live.
¿Cómo evita Scribe v3 Live cortar a quien llama?
Los agentes de voz actuales suelen depender de temporizadores de pausa fijos. Si la persona se detiene un momento a pensar, o dicta despacio una serie de números, el sistema asume que terminó y la interrumpe a mitad de frase.
Scribe v3 Live analiza el contexto de la conversación junto con la señal de audio. Así puede distinguir una pausa de un turno que de verdad terminó.
Más control sobre la transcripción final
ElevenLabs también les da a los desarrolladores más control sobre el texto que entrega el modelo:
- Se le pueden cargar miles de términos especializados, como marcas o nombres de medicamentos, para que no los escuche mal.
- Las reglas de formato para números o fechas se escriben en lenguaje natural.
- Un modo multilingüe maneja los cambios de idioma en medio de una frase.
Los clientes empresariales tienen servidores aislados en la Unión Europea y un modo de retención cero, que borra los datos apenas termina cada solicitud.
Alianzas con Nvidia y McKinsey
Junto con los modelos, ElevenLabs amplía su negocio con empresas. En una alianza extendida con Nvidia integra el modelo abierto Nemotron 3.5 Super VL en ElevenAgents, suma capacidad de cómputo sobre hardware de Nvidia, desarrolla control por voz local para robots y opera un agente telefónico para el sistema público de salud de Polonia.
La compañía anunció 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 y Zendesk ofrecen agentes de voz listos para usar.





