语音转文字新标杆：ElevenLabs 和谷歌双双登顶

近日，AI评测机构 Artificial Analysis 推出了全新的语音转文字基准测试 AA-WER v2.0，结果出人意料又在情理之中——ElevenLabs 的 Scribe v2 和谷歌的 Gemini 3 Pro 凭借近乎完美的转录准确率，牢牢占据榜单前两名。

在衡量语音识别准确度的核心指标——词错率（WER）上，ElevenLabs 的 Scribe v2 以仅 2.3% 的错误率拿下第一。这个数字意味着每100个词里，平均只错不到3个，几乎接近人类听写水平。紧随其后的是谷歌的 Gemini 3 Pro，错误率为 2.9%。值得注意的是，谷歌并没有为转录任务专门优化过 Gemini 3 Pro，它的出色表现完全来自其强大的通用语言理解能力，这说明大模型的“通才”属性正在悄然改变语音识别的游戏规则。

其他主流模型的表现也颇具参考价值：

• Mistral 的 Voxtral Small 以 3.0% 错误率位列第三，开源社区的新星表现不俗；
• 谷歌 Gemini 3 Flash 以 3.1% 的错误率稳居第四，轻量版也能打，实用性很强；
• OpenAI 的 Whisper Large v3 作为过去几年最受开发者欢迎的开源模型，这次以 4.2% 的错误率排在中游，虽不再遥遥领先，但依然是免费方案中的首选；
• 而阿里巴巴的 Qwen3-ASR Flash（5.9%）、亚马逊的 Nova2 Omni（6.0%）和 Rev AI（6.1%）则明显落后，尤其在复杂口音、背景噪音或快速语速场景下，错误率偏高，商用落地仍有提升空间。

语音指令场景：Scribe 和 Gemini 几乎“听懂你的心声”

除了通用转录，AA-WER v2.0 还新增了针对语音助手的专项测试——AA-AgentTalk，专门评估模型对“打开导航”“播放周杰伦”“提醒我下午三点开会”这类短指令的识别能力。

结果更惊人：Scribe v2 在这类场景下错误率低至 1.6%，Gemini 3 Pro 为 1.7%。这意味着，在你对着手机喊“关灯”“定个闹钟”时，它们几乎不会听错。这不仅仅是技术参数的胜利，更是体验上的质变——用户不再需要重复指令、不再担心智能音箱“听不懂人话”。

反观一些传统语音服务商，即便在简单指令下仍会出现误识别，比如把“播放周杰伦”听成“播放周杰伦的歌”，或把“关掉空调”误判为“打开空调”。这些小错误在日常使用中累积起来，就是巨大的挫败感。

目前，Scribe v2 已向部分企业客户开放，而 Gemini 3 Pro 的语音能力正逐步接入 Google Assistant 和 Android 系统。如果你是内容创作者、播客编辑、客服系统开发者，或者只是厌倦了语音输入总是出错，这场技术竞赛的结果，或许值得你重新评估手中的工具。