语音转文字基准测试2.0出炉：ElevenLabs夺冠，Gemini紧随其后

近日，AI测评机构Artificial Analysis发布语音转文字基准测试2.0（AA-WER v2.0）结果，在核心词错率（WER）指标中，ElevenLabs的Scribe v2以2.3%的错误率夺冠，谷歌Gemini 3Pro以2.9%位列第二；二者在AA-AgentTalk场景测试中同样表现领先，Mistral、OpenAI等厂商模型分列后续梯队，精准度与通用性成行业竞争核心。

2.3%——这是当前语音转文字技术能达到的近乎极致的精度水准。在AI测评机构Artificial Analysis最新发布的测试中，专注语音技术的ElevenLabs凭借旗下Scribe v2模型，以这一超低词错率击败谷歌等巨头，拿下语音转文字赛道的头把交椅。

Artificial Analysis推出的AA-WER v2.0是升级后的语音转文字基准测试体系，核心评估指标为词错率（WER）——这一数值越低，代表模型对语音内容的还原精准度越高。本次测试覆盖了多样化的语音场景，包括不同口音、背景噪音、专业领域术语等，结果更贴近实际应用需求。

测试数据显示，ElevenLabs的Scribe v2以2.3%的词错率夺冠，比第二名谷歌Gemini 3Pro的2.9%低了0.6个百分点。在高精度赛道，这一差距意味着Scribe v2在识别专业术语、弱口音语音等细分场景中，具备更稳定的表现。

除了核心的AA-WER测试，在针对真实对话场景设计的AA-AgentTalk测试中，ElevenLabs Scribe v2与谷歌Gemini 3Pro依然保持领先优势。该测试模拟了日常沟通中的复杂环境，比如多人对话重叠、街头噪音干扰、口语化快速表达等场景，考验模型的动态适配能力。

对比其他厂商，Mistral Voxtral Small位列第三，OpenAI Whisper Large v3处于中游梯队，阿里巴巴、亚马逊等厂商的相关模型排名则相对靠后。这一结果清晰呈现出当前语音转文字赛道的梯队格局：头部模型在精度与场景适配性上拉开了明显差距。

ElevenLabs与谷歌的领先，实则代表了语音转文字赛道的两种核心发展路径。ElevenLabs作为专注语音技术的垂直厂商，Scribe v2的优势源于对转录场景的深度优化，针对不同语言的发音细节、行业术语库做了专项训练，实现了垂直领域的精度极致化。

而谷歌Gemini 3Pro则依托多模态大模型的底层能力，将语音识别与文本理解、视觉分析等能力打通，在跨场景的通用性上更具潜力——比如在识别包含视觉语境的语音内容时，能借助多模态能力提升精准度。未来，行业的竞争将围绕“更高精度”与“更广场景适配”双向展开，既要满足专业领域的零误差需求，也要覆盖日常沟通的复杂环境。