Scribe v3: bản chép lời bớt sai, vẫn cần nghe lại

Một bản chép lời sai có thể đi rất xa: thành phụ đề, câu trích dẫn, rồi thành bài đăng đã lên lịch. Ngày 10/11, ElevenLabs giới thiệu Scribe v3 và Scribe v3 Live, tập trung vào độ chính xác và nhận diện người nói. Với người làm nội dung, tin đáng chú ý không phải AI “nghe như người”, mà là bớt kéo lỗi từ tai nghe sang mọi kênh.

Scribe v3 mới ở đâu?

Theo công bố của ElevenLabs, Scribe v3 dành cho âm thanh đã ghi, còn v3 Live dành cho âm thanh thời gian thực. Bản Live bổ sung nhận diện người nói và cải thiện xác định lúc một người kết thúc lượt nói. Khoảng lặng giữa câu không còn là tín hiệu duy nhất để hệ thống quyết định chen vào.

Hãng cho biết cả hai mô hình đã có trên ElevenAPI; v3 Live cũng có trong ElevenAgents. Bài giới thiệu ghi hai phiên bản trở thành mặc định trong ứng dụng ElevenLabs. Đây là thông tin triển khai do hãng công bố, không phải xác nhận rằng mọi tài khoản đều có cùng hạn mức hoặc điều kiện sử dụng.

Đọc số đo thế nào cho đúng?

ElevenLabs nói Scribe v3 giảm 27% tỷ lệ lỗi từ so với v2 trên bộ đo FLEURS nội bộ gồm 102 ngôn ngữ. Với v3 Live, con số 43% là giảm lỗi về nghĩa so với v2 Realtime. Hai tỷ lệ khác thước đo, không nên đặt cạnh nhau rồi kết luận bản Live “nghe giỏi hơn” bản ghi.

Nguồn cũng lưu ý cách tổng hợp điểm ảnh hưởng kết quả. Đây là đánh giá của nhà cung cấp, chưa phải kiểm chứng độc lập của Để AI Tính. Mức cải thiện riêng cho tiếng Việt, giọng vùng miền và tên thương hiệu Việt: chưa có nguồn trong bài công bố. Đừng lấy điểm trung bình làm giấy bảo hành cho mọi bản thu.

Vì sao người làm nội dung nên quan tâm?

Khi dựng phỏng vấn hoặc podcast, người biên tập cần đúng cả lời lẫn người nói. Một câu nhận xét gắn nhầm tên có thể gây rắc rối hơn vài dấu phẩy. Scribe v3 cải thiện phần gán nhãn này theo thử nghiệm của hãng, nhưng người xuất bản vẫn phải đối chiếu đoạn trích với âm thanh gốc.

Một điểm thực dụng khác là danh sách thuật ngữ. Scribe v3 hỗ trợ gợi ý tối đa 1.000 từ khoá, chẳng hạn tên sản phẩm và chữ viết tắt; bản Live bổ sung thư viện thuật ngữ lớn hơn. Nhóm nội dung có thể chuẩn bị tên khách mời, nhãn hàng và thuật ngữ trước khi xử lý bản thu, thay vì sửa cùng một lỗi khắp nơi.

Người làm truyền thông nên làm gì

Thử bằng việc thật, không chỉ bản demo

Chọn một bản phỏng vấn đã được phép sử dụng, có đoạn nói chồng, tiếng nền và tên riêng. Tạo bản chuẩn do người nghe kiểm, rồi đối chiếu đầu ra mới ở những chỗ dễ sai. Nếu đang dùng công cụ khác, thử trên cùng tệp để tránh so một phòng thu sạch với một quán cà phê đông khách.

Theo dõi thời gian sửa đến khi bản thảo dùng được, không chỉ thời gian máy chạy. Một mô hình xuất chữ nhanh nhưng làm sai số điện thoại vẫn khiến người dựng phải nghe lại. Tiêu chí đáng giữ là tổng công biên tập, cùng chất lượng đoạn trích sau kiểm, chứ không phải độ dài bản chép lời trông rất chăm chỉ.

Chặn lỗi trước khi tái sử dụng

Đặt một lượt kiểm riêng cho tên người, chức danh, số tiền, ngày tháng và các phát biểu nhạy cảm. Khi cắt video ngắn từ podcast, giữ mốc âm thanh để quay lại đoạn gốc. Không suy diễn nhãn “người nói 1” thành danh tính thật nếu chưa xác minh.

Với bản thu của khách hàng, cần kiểm quyền sử dụng, dữ liệu cá nhân và điều kiện lưu trữ trước khi tải lên. Hãng mô tả các lựa chọn doanh nghiệp về khu vực xử lý và lưu giữ; không nên mặc định các lựa chọn đó áp dụng cho tài khoản thông thường. Âm thanh tiện xử lý không có nghĩa là tiện chia sẻ.

Câu hỏi thường gặp

Scribe v3 có tạo giọng đọc không?

Không. Đây là mô hình chuyển tiếng nói thành văn bản; tạo giọng đọc là tác vụ khác.

Có thể bỏ kiểm phụ đề tiếng Việt chưa?

Chưa. Nguồn không cung cấp kết quả riêng đủ để bảo đảm cho âm thanh tiếng Việt của từng nhóm.

Nên thử bản nào trước?

Bản ghi phỏng vấn hợp với v3; tác vụ trực tiếp cần xem v3 Live. Kiểm điều kiện tài khoản trước khi dùng.

Nguồn tham khảo

1. ElevenLabs ngày 10/11/2026