Scribe v3 Live und Scribe v2 Realtime schreiben laufende Gespräche während des Sprechens mit. Wenn du daran einen Sprachagenten anschließt, entscheidet ein weiterer Schritt, wann er antwortet. Scribe v3 Live kann aus dem Gespräch abschätzen, ob die Person fertig ist. In der API musst du diese Funktion ausdrücklich aktivieren. ElevenLabs hat beide neuen Scribe-Modelle am 9. November 2026 im API-Changelog als verfügbar gemeldet. ElevenLabs-Release-Notes

Was bei einer Pause passiert

Eine Stimme kann mitten in einer Bestellnummer kurz pausieren. Mit Scribe v2 Realtime kannst du feste Transkriptabschnitte manuell bestimmen oder per Spracherkennung nach einer konfigurierten Stillegrenze auslösen lassen. Scribe v3 Live bietet zusätzlich die Vorhersage, wann ein Redebeitrag endet. Du verwendest dazu den bisherigen WebSocket und setzt die Modell-ID auf scribe_v3_live. Ergänze commit_strategy=turn_prediction. Ohne diese Angabe bleibt für beide Modelle die manuelle Strategie der API-Standard. ElevenLabs zu Transkripten und Commit-Strategien

Bei aktivierter Vorhersage liefert Scribe v3 Live mit dem vorläufigen Transkript eine turn_probability. Sobald der Wert mindestens 0,9 beträgt, schließt der Server den Abschnitt ab. Die eingestellte Stillegrenze bleibt zusätzlich aktiv und kann ebenfalls einen Abschluss auslösen. Wenn dein Agent bei kurzen Denkpausen weiterhin zu früh reagiert, prüfe also auch diesen Grenzwert. Zeige vorläufige Texte für Live-Untertitel an und verwende den endgültigen Abschnitt, wenn der Agent einen Arbeitsschritt auslösen soll.

Scribe v3 hat derzeit keinen Eintrag im KI-Weekly-Ranking. Die Übersicht zeigt Textmodelle für einen anschließenden Verarbeitungsschritt, etwa die Zusammenfassung eines fertigen Transkripts.

Bewertete Textmodelle für Aufgaben nach der Transkription

Rankingbild in voller Größe.

Wie du den Wechsel prüfst

In der Modelldokumentation nennt ElevenLabs 44 Prozent weniger semantische Wortfehler als bei v2 Realtime im FLEURS-Vergleich über 73 Sprachen. Die Zahl misst den erkannten Inhalt. Wie oft ein Agent jemanden unterbricht, beurteilst du besser direkt im Gespräch. Teste etwa einen gesprochenen Namen, eine unterbrochene Bestellnummer und einen Satz, in dem jemand die Sprache wechselt. Halte die Audiospur für beide Modelle gleich und vergleiche falsch abgeschlossene Abschnitte und die Wartezeit bis zum endgültigen Text.

Miss zusätzlich, wann zum ersten Mal Text erscheint und wann der Agent tatsächlich reagiert. Wenn die Vorschau flüssig läuft, die Antwort aber zu spät kommt, kannst du so eingrenzen, ob die Verzögerung vor oder nach dem Transkriptabschluss entsteht.

Bei Gesprächen mit Sprachwechseln kann multilang_mode=true helfen. Der Dienst transkribiert dann jede Sprache in ihrer eigenen Schrift und übersetzt sie nicht. Die Einstellung ist laut ElevenLabs-Sprachdokumentation derzeit nur über den direkten WebSocket verfügbar. Ein Wechsel der Modell-ID allein schaltet sie nicht ein.

Wenn du erst am Ende einer Aufnahme ein vollständiges Transkript brauchst, passt die andere Version. Der Überblick zu Audio- und Videotranskription zeigt den Zugang zu beiden Angeboten. Unsere Anleitung zu Scribe v3 erklärt den Umstieg für vorhandene Aufnahmen. ElevenLabs Scribe v3: Audio und Video transkribieren.