ElevenLabs sobe a régua da transcrição e escancara o trade-off entre acurácia e custo
A ElevenLabs colocou no mercado dois modelos de reconhecimento de fala — Scribe v3 e Scribe v3 Live — desenhados para áudio problemático, aquele em que duas pessoas falam ao mesmo tempo e o microfone captura ruído de fundo. Na avaliação independente da Artificial Analysis, o Scribe v3 aparece entre os sistemas de transcrição mais precisos disponíveis, à frente de Microsoft, Mistral, xAI, Google e OpenAI, e atrás somente de um modelo ainda em prévia da Alibaba. O ponto que interessa a quem assina o cheque é outro: a ponta em acurácia convive com velocidade e preço apenas medianos, e é nesse terreno que a disputa comercial se resolve.
Os dois modelos já podem ser acessados pela interface de desenvolvedores ElevenAPI e pela plataforma ElevenAgents. A versão sem o sufixo Live trabalha sobre gravações já existentes; a outra foi construída para aplicações em tempo real com baixa latência.
Precisão no topo, eficiência no meio da fila
Segundo a fabricante, o Scribe v3 derruba em torno de 25% os erros de palavra na comparação com a geração anterior, num universo de 102 idiomas, com avanço expressivo em alemão. A identificação de quem falou cada trecho — a chamada diarização, recurso que separa as vozes de uma conversa — ficou mais estável em reuniões com muita gente, e a versão em tempo real passa a entregá-la ao vivo pela primeira vez.
| Critério | Scribe v3 | Rivais (Microsoft e xAI) |
|---|---|---|
| Acurácia | Topo do ranking da Artificial Analysis, atrás só da prévia da Alibaba | Um degrau abaixo |
| Erros de palavra | Cerca de 25% menos que a geração anterior | Ligeiramente maiores |
| Velocidade | Meio da tabela | Várias vezes superior |
| Preço | Meio da tabela | Próximo da metade |
O levantamento da Artificial Analysis, porém, cobre apenas erros de palavra em arquivos gravados. Não entram na conta os ganhos que a ElevenLabs reivindica em diarização, em idiomas de pouca representação nem o comportamento da linha Live. Quem precisa processar grande volume de áudio com orçamento apertado encontra alternativa mais barata e mais rápida nos concorrentes.
O vício que a versão em tempo real tenta corrigir
Agentes de voz — sistemas que atendem ligações e conversam com o cliente sem um humano na linha — carregam um defeito conhecido: dependem de temporizadores de pausa rígidos e encerram a fala do interlocutor no meio da frase, justamente quando ele para para raciocinar ou lê um número devagar. O Scribe v3 Live cruza o sinal de áudio com o histórico da conversa para estimar quando o turno de fato acabou, em vez de reagir apenas ao silêncio.
Ajuste fino do transcrito e a exigência de compliance
Do lado de quem desenvolve, é possível pré-carregar milhares de termos específicos — marcas, nomes de medicamentos — para reduzir a chance de o modelo ouvir errado um vocabulário técnico. Regras de formatação para números e datas podem ser descritas em linguagem natural, e um modo multilíngue administra a troca de idioma no meio da frase. Para clientes corporativos existem servidores isolados na União Europeia e um modo de retenção zero, que apaga os dados logo após cada requisição — argumento relevante para setores regulados.
Nvidia, McKinsey e o canal de distribuição
A ofensiva comercial acompanha o lançamento técnico. Com a Nvidia, a parceria foi ampliada em quatro frentes: o modelo aberto Nemotron 3.5 Super VL passa a integrar o ElevenAgents; a ElevenLabs garante capacidade adicional de processamento hospedada na Nvidia; desenvolve controle de voz local para robôs; e opera um agente telefônico para o sistema público de saúde da Polônia. A empresa anunciou ainda uma aliança com a consultoria McKinsey, um programa de parceiros voltado a integradores de sistemas e um marketplace próprio, no qual Salesforce, IBM e Zendesk oferecem agentes de voz prontos para uso.
O que o movimento sinaliza para o investidor
A disputa é pela camada de infraestrutura dos agentes de voz. Acurácia abre a porta, mas quem escala operações de atendimento olha a fatura de processamento — e aí Microsoft e xAI aparecem com preço menor e velocidade muito superior. A ElevenLabs aposta em diferenciais que o benchmark não mede: robustez em áudio sujo, vocabulário sob medida, residência de dados na Europa e descarte imediato das informações.
A leitura estratégica é que a empresa tenta sair da condição de fornecedora de API para se tornar plataforma, usando distribuição como vantagem competitiva. Consultorias, integradores e marketplaces reduzem o custo de aquisição de clientes corporativos, enquanto acordos de infraestrutura com a Nvidia endereçam o gargalo de capacidade de processamento — item crítico quando o produto exige baixa latência em tempo real.
O risco aparece na própria estrutura do mercado. A camada de transcrição caminha para comoditização, com rivais entregando erro marginalmente maior por fração do preço, e ganhos de acurácia tendem a ser copiados em ciclos curtos. Recursos de conformidade e integração profunda com sistemas corporativos são a defesa mais crível no curto prazo, mas dependem de execução comercial — e de o cliente aceitar pagar mais por isso.