Przejdź do treści
Sklep

Artykuły

ElevenLabs Scribe v3 i v3 Live: co nowego, cena i próba po polsku

Scribe v3 i v3 Live od ElevenLabs: 27% mniej błędów niż v2 wg producenta, 0,20 USD za godzinę, 4,5 h w planie Free. Próba v2 vs v3 na polskich nazwach.

Tekst: 7 min czytania
ElevenLabs Scribe v3 i v3 Live: co nowego, cena i próba po polsku
Spis treści 7
  1. W skrócie
  2. Co nowego w Scribe v3
  3. Nasza próba po polsku: Scribe v2 kontra v3
  4. Jak używać Scribe v3
  5. Ile kosztuje Scribe v3
  6. Najczęstsze pytania
  7. Źródła

👁 113 przeczytań

ElevenLabs wypuścił 10 listopada 2026 nową wersję swojego modelu do zamiany mowy na tekst: Scribe v3 do nagrań i Scribe v3 Live do transkrypcji na żywo. Firma podaje 27% mniej błędów w słowach niż Scribe v2 w 102 językach, a w wersji Live - po raz pierwszy - rozpoznawanie, kto mówi, w czasie rzeczywistym. Cena w API się nie zmieniła: 0,20 USD za godzinę nagrania. Zrobiliśmy krótką próbę po polsku, v2 kontra v3, na nagraniu pełnym trudnych nazw.

W skrócie

Scribe v3 jest już domyślnym modelem w aplikacji ElevenLabs, a w API wystarczy zmienić identyfikator modelu na scribe_v3 albo scribe_v3_live. Cennik API (odczyt 18.11.2026): Scribe v3 - 0,20 USD za godzinę, v3 Live - 0,22 USD za godzinę, w planie Free 4 h 30 min nagrań (v3) albo 2 h 30 min (Live). W naszej próbie na czystym nagraniu po polsku v3 pomylił się tyle samo co v2 - po dwa trudne nazwy własne - a oba modele poprawiły się po podaniu listy słów kluczowych (keyterms). Różnicę, którą obiecuje ElevenLabs, trzeba sprawdzać na trudniejszym dźwięku: szumie, rozmowie kilku osób, telefonie.

Prezentacja Scribe v3 i Scribe v3 Live. Kanał ElevenLabs na YouTube

Co nowego w Scribe v3

Scribe to rodzina modeli ElevenLabs do transkrypcji (opis pierwszej wersji: ElevenLabs Scribe po polsku). Trzecia generacja ma dwa modele:

Scribe v3Scribe v3 Live
Do czegogotowe nagrania (pliki)dźwięk na żywo: rozmowy, agenci głosowi, napisy
Identyfikator w APIscribe_v3scribe_v3_live
Błędy wg ElevenLabs27% mniej błędnych słów niż Scribe v2 (102 języki FLEURS)43% mniej błędów znaczeniowych niż Scribe v2 Realtime
Kto mówi (diaryzacja)12% mniej błędów, 17% mniej przy 3 i więcej osobachnowość w trybie na żywo: 3,1% błędów diaryzacji (inne testowane modele 5,9-7,3%)
Słowa kluczowedo 1000 terminów w zapytaniubiblioteka słownictwa dla bardzo dużych zbiorów
Innereguły formatowania pisane zwykłym językiem, liczby jako cyfry albo słowa, podpowiedzi językawykrywanie końca wypowiedzi z kontekstu (nie tylko po ciszy), zmiana języka w środku zdania
Cena API0,20 USD / godz.0,22 USD / godz.

Źródła: ElevenLabs blog, 10.11.2026 (aktualizacja 14.11), dokumentacja modeli, cennik API. Odczyt: 18.11.2026.

W dokumentacji ElevenLabs podaje średni błąd słów (WER) na FLEURS dla wszystkich 102 języków: 16,94% dla Scribe v2 i 12,38% dla Scribe v3. Na blogu firma pokazuje największe spadki dla niemieckiego (42%), hiszpańskiego (35%) i suahili (34%). Wyniku dla polskiego nie publikuje.

Wykres ElevenLabs: odsetek błędnych słów Scribe v3 w porównaniu ze Scribe v2, Gemini 3.5 Transcribe, MAI-Transcribe-2, GPT-Transcribe, Deepgram Nova-3, Muse Voice Transcribe i AssemblyAI
Porównanie ElevenLabs: Scribe v3 kontra inne modele transkrypcji (WER i „semantyczny” WER, testy FLEURS z 23-29.10.2026). Każdy model porównany tylko w językach, które obsługuje. Grafika: ElevenLabs

Z wykresu: w 102 językach Scribe v3 ma 12,4% błędnych słów wobec 17,0% dla Scribe v2 i 18,5% dla Gemini 3.5 Transcribe. W językach wspólnych z konkurencją: 6,5% wobec 7,5% dla MAI-Transcribe-2 i 5,5% wobec 9,7% dla GPT-Transcribe. To pomiary ElevenLabs.

Nie przepłacaj za te subskrypcje

Prowadzę sklep z rocznymi dostępami do narzędzi AI - te same konta, o których piszę wyżej, tylko taniej niż w cenniku producenta.

Zobacz, co jest dostępne

Nasza próba po polsku: Scribe v2 kontra v3

Jak: 92-wyrazowy tekst po polsku, nagrany syntezą mowy ElevenLabs (model Multilingual v2) dwoma głosami z biblioteki, po około 45 sekund. W tekście: nazwisko Brzęczyszczykiewicz, miejscowość Chrząszczyrzewoszyce, „powiat łękołodzki”, daty, numer zamówienia, kwota, adres e-mail i karta GeForce RTX 4090. Każde nagranie przepisaliśmy przez API 18.11.2026 czterema wariantami: v2 i v3, bez listy słów kluczowych i z listą 5 terminów (keyterms). Język ustawiony na polski. Koszt wszystkich zapytań: poniżej 0,05 USD.

Zastrzeżenie: to czysty, syntetyczny dźwięk z jednym mówcą. Nie mierzy tego, w czym v3 ma być najlepszy według ElevenLabs: szumu, rozmów kilku osób, nagrań z telefonu. Traktuj to jako sprawdzenie polskich nazw, nie ranking.

Nagranie testowe nr 1 (synteza mowy ElevenLabs, 45 s). Plik: promptowy.com
WariantChrząszczyrzewoszycełękołodzkimLiczby i e-mailCzas odpowiedzi
Scribe v2„Chrząszczy Rzewoszyc” (oba głosy)„łękołockim” (oba)liczby słownie, e-mail sformatowany: biuro@przykład.pl4-5 s
Scribe v2 + keytermspoprawnie (oba)poprawnie (oba)jak wyżej3-4 s
Scribe v3„Chrząszczyżewoszyc” (oba)„łękołockim” (oba)liczby słownie, e-mail dosłownie: „biuro małpa przykład kropka pl”6-19 s
Scribe v3 + keytermspoprawnie (głos 1), „Chrząszczyżewoszyc” (głos 2)poprawnie (oba)jak wyżej6 s

Próba promptowy.com, 18.11.2026, API ElevenLabs, 2 nagrania x 4 warianty. Jedno zapytanie v2 z keyterms trzeba było ponowić (przekroczony czas oczekiwania).

Wnioski z tej próby:

  • Reszta tekstu bezbłędnie we wszystkich wariantach - daty, kwota „tysiąc dwieście czterdzieści dziewięć złotych i dziewięćdziesiąt groszy”, „Szczebrzeszyn”, „w Pszczynie pszczoły”, „GeForce RTX 4090”.
  • Trudne nazwy własne psuje i v2, i v3 - każdy po dwie na nagranie. v3 zapisał „Chrząszczyżewoszyc” przez „ż”.
  • Lista słów kluczowych działa - po jej podaniu v2 poprawił obie nazwy w obu nagraniach, v3 w trzech przypadkach na cztery. Jeśli transkrybujesz nagrania z nazwiskami, nazwami firm albo miejscowości, podawaj je w keyterms.
  • v3 nie zamienił e-maila na adres - zapisał go dosłownie, tak jak był wypowiedziany. v2 sam zrobił „biuro@przykład.pl”. W v3 takie rzeczy ustawia się regułami formatowania.
  • v3 był wolniejszy - 6-19 s na 45 s nagrania wobec 3-5 s dla v2. Przy pojedynczych plikach to bez znaczenia.

Jak używać Scribe v3

W aplikacji ElevenLabs

  1. Zaloguj się na ElevenLabs (konto Free wystarczy na początek).
  2. Wybierz Speech to Text i wgraj plik audio albo wideo.
  3. Scribe v3 jest domyślnym modelem. Ustaw język (polski) albo zostaw automatyczne wykrywanie, włącz rozpoznawanie mówców, jeśli jest kilka osób.
  4. Pobierz tekst albo napisy.

Przez API

Zapytanie POST /v1/speech-to-text z polem model_id=scribe_v3, plikiem i opcjonalnie language_code=pol oraz listą keyterms (do 1000 terminów). Kto korzysta już ze Scribe v2, zmienia tylko identyfikator modelu. Scribe v3 Live działa przez WebSocket i jest też w ElevenAgents (agenci głosowi), razem z wersją do rozmów medycznych.

Firmy: domyślnie dane przetwarzane są w USA, są osobne środowiska w UE, Indiach i Singapurze, tryb Zero Retention (usuwanie audio i tekstu po zakończeniu zapytania), SOC 2, ISO 27001, PCI DSS Level 1 i HIPAA z umową BAA.

Ile kosztuje Scribe v3

PlanScribe v3 (0,20 USD/godz.)Scribe v3 Live (0,22 USD/godz.)
Free4 h 30 min2 h 30 min
Starter30 h27 h
Creator110 h100 h
Pro495 h450 h
Scale1495 h1359 h
Business4950 h4500 h

Godziny nagrań w ramach planu według cennika API ElevenLabs, odczyt 18.11.2026. Scribe v3 kosztuje tyle samo co Scribe v2.

Przykład: godzinny wywiad przez API to 0,20 USD, czyli mniej niż złotówka. Ceny planów w złotówkach i co jeszcze w nich jest: ElevenLabs - ceny i modele. Darmowe sposoby na transkrypcję: transkrypcja po polsku za darmo.

Najczęstsze pytania

Czy Scribe v3 obsługuje język polski?

Tak, Scribe rozpoznaje polski (ElevenLabs podaje „ponad 90 języków”, a wyniki liczy na 102 językach FLEURS). Osobnego wyniku dla polskiego firma nie publikuje. W naszej próbie zwykły polski tekst przepisał bezbłędnie, mylił się na rzadkich nazwach własnych.

Czy Scribe v3 jest za darmo?

W planie Free jest pula 4 h 30 min nagrań dla Scribe v3 (albo 2 h 30 min dla v3 Live). Potem płaci się 0,20 USD za godzinę w API albo kupuje wyższy plan.

Czym różni się Scribe v3 od Scribe v3 Live?

v3 przepisuje gotowe nagrania i jest dokładniejszy. v3 Live działa na żywo, z małym opóźnieniem, dla rozmów, napisów na żywo i agentów głosowych. Live kosztuje 0,22 USD za godzinę.

Jak poprawić nazwiska i nazwy w transkrypcji?

Podaj je w liście słów kluczowych (keyterms, do 1000 terminów). W naszej próbie po tym obie wersje poprawnie zapisały m.in. „łękołodzkim”.

Czy Scribe v3 rozpozna, kto mówi?

Tak. W plikach (v3) rozpoznawanie mówców było już wcześniej i według ElevenLabs ma 12% mniej błędów. Nowość to rozpoznawanie mówców na żywo w Scribe v3 Live.

Scribe v3 czy Gemini, GPT-Transcribe albo MAI-Transcribe?

Według wykresu ElevenLabs Scribe v3 ma mniej błędów od każdego z nich na FLEURS. To pomiar producenta. Niezależnego porównania po polsku na prawdziwych nagraniach jeszcze nie ma.

Źródła

Link do ElevenLabs jest partnerski: jeśli kupisz przez niego, serwis dostaje prowizję, a Ty płacisz tyle samo. Nie wpływa to na treść, także tam, gdzie piszę krytycznie.

Piotr Olszewski

Autor

Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.

O mnie →Wszystkie teksty →

Czytaj dalej

Narzędzia do tego tematu

darmowe, bez kontaWszystkie 29 →
z sieci - nowe teksty w moich serwisach

Wszystkie moje projekty →

Najczęściej czytane

7 dni
  1. 1GPT-6.2 Astra vs Claude Fable 5.2 vs Gemini 4 Carbon: benchmarki i mój test na 7 modelach (z Opus 5.5)
  2. 2Plakat festiwalu z polskim napisem: prompt i test 6 generatorów obrazu (Prompt dnia 14.11)
  3. 330 promptów do ChatGPT Images i 10 do przerabiania zdjęć
🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →