ElevenLabs attribue enfin les voix en direct avec Scribe v3

— AUDIOVISUEL

ElevenLabs ajoute à sa transcription en direct le suivi des locuteurs, utile pour les interviews à plusieurs voix et les sous-titrages de podcast. Les chiffres avancés mesurent des tâches différentes selon qu'on parle d'erreurs de mots, de sens ou d'attribution, ce qui complique toute comparaison directe.

ElevenLabs attribue enfin les voix en direct avec Scribe v3

Transcrire une interview à trois voix reste un exercice périlleux : les mots sont justes, mais la réplique change de locuteur sans prévenir. ElevenLabs cible précisément ce point faible avec Scribe v3 et sa version Live, capable désormais de suivre qui parle pendant un échange en direct, pas seulement sur un enregistrement terminé.

Pour un monteur qui dérushe une table ronde ou prépare le sous-titrage d'un podcast, cette fonction change le point de départ du travail. Reconstituer manuellement qui dit quoi, répliques entremêlées et voix qui se coupent, mange un temps que personne ne facture vraiment au client. Une transcription qui sépare déjà les intervenants réduit la relecture à une vérification, pas à une reconstruction.

ElevenLabs annonce une réduction de 27 % des erreurs sur les mots pour les enregistrements classiques, comparée à sa version précédente. Traduit en langage de montage, cela veut dire moins de corrections ligne par ligne sur une transcription longue, et donc moins d'heures passées à repasser derrière la machine avant d'exporter des sous-titres propres.

Le direct avance des chiffres séparés pour l'attribution des voix, pour la précision du sens et pour le taux d'erreur classique, trois mesures qui ne se comparent pas entre elles et ne s'additionnent pas. Les tests s'appuient sur de la parole lue en bonnes conditions sonores, pas sur une réunion où deux personnes parlent en même temps ou un appel client avec un mauvais micro. Un jeu de données plus proche d'une réunion réelle est promis, mais pas encore publié.

La diarisation en direct reste un filet, utile pour cadrer un premier montage ou nourrir un agent vocal, pas pour livrer un sous-titrage final sans repasse humaine. Le vrai test se jouera sur un enregistrement bruité avec trois voix qui se chevauchent, celui que personne ne montre dans une démonstration de lancement.

Pour un studio qui facture encore des heures de transcription manuelle, l'enjeu se niche dans le devis plus que dans la technique. Si l'attribution des voix tient sur un vrai tournage, c'est une ligne de budget qui recule, pas un gadget de plus dans l'interface.

Sources

Umiros Média