ElevenLabs Scribe v3 vs Scribe v2 dan GPT-Transcribe: Kata Salah Turun 27 Persen, Harga Tetap US$0,20 per Jam
ElevenLabs merilis Scribe v3 dan Scribe v3 Live pada Selasa (10/11/2026). Ini perbandingannya dengan Scribe v2, GPT-Transcribe, Gemini, dan Whisper, harga, dukungan bahasa Indonesia, serta batas usia 18 tahun.
ElevenLabs merilis dua model pengubah suara ke teks terbarunya, Scribe v3 dan Scribe v3 Live, pada Selasa (10/11/2026). Perusahaan AI suara itu mengklaim Scribe v3 membuat 27 persen lebih sedikit kata salah dibanding pendahulunya, Scribe v2, pada uji 102 bahasa, sementara harga API-nya tetap US$0,20 per jam audio. Sehari kemudian, Rabu (11/11/2026), model yang sama bahkan langsung dipakai untuk aplikasi catatan rapat dan dikte baru bernama ElevenAI.
Banyak yang mengira semua aplikasi transkripsi kini sama akuratnya, jadi yang penting cukup murah. Namun, uji pihak ketiga justru menunjukkan jarak yang lumayan: di papan Artificial Analysis, Scribe v3 salah di 1,9 persen kata, sedangkan Whisper Large v3 Turbo yang dijalankan lewat Groq salah di 4,6 persen. Untuk wawancara skripsi satu jam, selisih itu bisa berarti ratusan kata yang harus dikoreksi manual.
Ringkasnya: Scribe v3 (rekaman) dan Scribe v3 Live (waktu nyata) dirilis 10 November 2026 di ElevenAPI dan menjadi model bawaan di aplikasi ElevenLabs. Klaim vendor: kesalahan kata turun 27 persen dari Scribe v2, harga tetap US$0,20 per jam audio. Di uji pihak ketiga Artificial Analysis (data berbahasa Inggris), Scribe v3 berada di urutan kedua dengan 1,9 persen kata salah, hanya kalah dari model pratinjau Alibaba. ElevenLabs tidak membatasi akses dari Indonesia dan bahasa Indonesia didukung, tetapi layanannya hanya untuk pengguna berusia 18 tahun ke atas.
Daftar Isi
- Apa itu Scribe v3 dan Scribe v3 Live?
- Scribe v3 vs Scribe v2: apa saja yang berubah?
- Seberapa akurat dibanding GPT-Transcribe, Gemini, dan Whisper?
- Apakah bisa dipakai di Indonesia, dan berapa biayanya?
- Apa artinya untuk skripsi, kuliah, dan kerja?
- FAQ
Apa itu Scribe v3 dan Scribe v3 Live?
Keduanya ternyata bukan sekadar pembaruan kecil. Scribe v3 dan Scribe v3 Live adalah model speech to text, yaitu model yang mengubah rekaman suara menjadi teks tertulis. Menurut pengumuman resmi ElevenLabs, Scribe v3 ditujukan untuk audio yang sudah direkam, seperti rapat, wawancara, atau kuliah, sedangkan Scribe v3 Live adalah varian berlatensi rendah untuk percakapan yang sedang berlangsung, misalnya teks langsung dan agen suara di pusat layanan pelanggan.
Salah satu perubahan paling terasa ada di penanda pembicara, atau diarization, yaitu kemampuan menandai siapa mengucapkan kalimat mana. ElevenLabs mengklaim Scribe v3 membuat 17 persen lebih sedikit kesalahan penanda pembicara dibanding Scribe v2 pada rekaman berisi tiga orang atau lebih. Dokumentasi model menyebut Scribe v3 bisa membedakan hingga 32 pembicara dan menerima daftar hingga 1.000 istilah khusus, misalnya nama orang, singkatan, atau jargon bidang ilmu. Kedua kemampuan itu sebenarnya warisan Scribe v2; yang baru adalah akurasi penanda pembicara, pilihan format angka, dan petunjuk bahasa kedua.
Dokumentasi itu bahkan secara khusus menyebut pendidikan sebagai salah satu sasaran: rekaman kuliah dengan logat beragam atau ucapan yang mencampur dua bahasa. Fitur baru secondary_language_codes memungkinkan pengguna API memberi petunjuk bahasa kedua dalam rekaman, sedangkan Scribe v3 Live punya mode multibahasa untuk kalimat yang berpindah bahasa di tengah jalan, pola yang akrab di kelas atau rapat kantor di Indonesia.
Kini, model ini juga menjadi mesin ElevenAI, aplikasi baru yang diperkenalkan di ElevenLabs Summit New York pada Rabu (11/11/2026). Menurut rangkuman acara, ElevenAI mendengarkan percakapan, termasuk rapat tatap muka, lalu mengubahnya menjadi catatan dan langkah tindak lanjut. TechCrunch melaporkan aplikasi itu masih berstatus pratinjau, pengguna harus mendaftar akses awal, dan fitur dikte-nya mendukung lebih dari 90 bahasa.
"Dalam beberapa tahun, agen percakapan akan menjadi infrastruktur penting bagi setiap perusahaan, sama pentingnya dengan cloud atau sistem pembayaran," kata Mati Staniszewski, CEO dan salah satu pendiri ElevenLabs, seperti dikutip dalam rangkuman acara itu (diterjemahkan dari bahasa Inggris).
| Waktu | Peristiwa | Sumber |
|---|---|---|
| 23-29 Oktober 2026 | Uji internal ElevenLabs di set data FLEURS untuk membandingkan Scribe v3 dengan model lain | ElevenLabs |
| Selasa, 10 November 2026 | Scribe v3 dan Scribe v3 Live dirilis di ElevenAPI dan ElevenAgents | ElevenLabs |
| Rabu, 11 November 2026 | ElevenLabs Summit New York: pratinjau ElevenAI, akses awal gratis dibuka | ElevenLabs, TechCrunch |
| Kamis, 12 November 2026 | The Decoder mengutip uji Artificial Analysis: Scribe v3 termasuk yang paling akurat, tetapi lebih lambat | The Decoder |
| Sabtu, 14 November 2026 | Laman pengumuman Scribe v3 diperbarui | ElevenLabs |
Scribe v3 vs Scribe v2: apa saja yang berubah?
Angka utama yang dipakai ElevenLabs berasal dari FLEURS, set data berisi bacaan pendek yang jernih dalam 102 bahasa. Di sana, rata-rata kata salah Scribe v3 turun dari 16,94 persen menjadi 12,38 persen. Perbaikan terjadi di semua bahasa yang diuji: kesalahan bahasa Jerman turun 42 persen, Spanyol 35 persen, dan Inggris 23 persen, sedangkan di bahasa yang lebih sulit ditranskripsi, Swahili turun 34 persen, Tamil 29 persen, dan Thai 28 persen. Sayangnya, ElevenLabs tidak merinci angka khusus bahasa Indonesia.
Namun, ada catatan metode. ElevenLabs menghitung kesalahan per klip lalu merata-ratakannya per bahasa. Cara ini menghasilkan angka lebih tinggi dibanding perhitungan yang menggabungkan semua klip, sehingga dokumentasinya sendiri mengingatkan bahwa angka 12,38 persen tidak bisa langsung dibandingkan dengan hasil uji lain.
| Spesifikasi | Scribe v3 | Scribe v2 | Scribe v3 Live |
|---|---|---|---|
| Kegunaan | Audio rekaman | Audio rekaman (generasi lama) | Audio waktu nyata |
| Harga API | US$0,20 per jam | US$0,20 per jam | US$0,22 per jam |
| Kata salah di FLEURS (klaim vendor) | 12,38% | 16,94% | 44% lebih rendah (semantic WER, 73 bahasa) dari v2 Realtime |
| Penanda pembicara | Hingga 32 pembicara, kesalahan 12% lebih sedikit | Hingga 32 pembicara | Pertama kali tersedia waktu nyata |
| Daftar istilah khusus | Hingga 1.000 istilah | Hingga 1.000 istilah | 50 istilah + pustaka hingga 10.000 istilah |
| Bahasa | 90+ | 90+ | 90+ |
Untuk Scribe v3 Live, ElevenLabs mengklaim kesalahan bermakna (semantic WER, yang hanya menghitung salah ketika arti kalimat berubah) turun 43 persen dibanding Scribe v2 Realtime di 102 bahasa, sedangkan dokumentasinya menulis 44 persen untuk 73 bahasa. Model ini juga tidak lagi memotong pembicara hanya karena jeda: ia menimbang isi percakapan, sehingga orang yang berhenti sejenak saat menyebut angka tidak langsung disela.
Salah satu pelanggan awal, perusahaan energi Belanda Eneco, ikut menguji Scribe v3 Live sebelum peluncuran. Hasilnya, agen suara mereka ternyata mengenali kode pos Belanda dengan benar pada percobaan pertama 40 persen lebih sering, dan nomor rumah 15 persen lebih sering.
"Sangat menyenangkan melihat hasil yang signifikan sedini ini, dan kami bersemangat untuk terus berkolaborasi," ujar Ruud Huigsloot, Senior Product Manager di Eneco, seperti dikutip dalam pengumuman ElevenLabs (diterjemahkan dari bahasa Inggris).
Seberapa akurat dibanding GPT-Transcribe, Gemini, dan Whisper?
ElevenLabs mengklaim Scribe v3 membuat lebih sedikit kesalahan dibanding semua model non-streaming yang mereka uji, dengan membandingkan hanya pada bahasa yang didukung kedua model. Pada 58 bahasa yang sama-sama didukung GPT-Transcribe milik OpenAI, misalnya, kesalahan kata Scribe v3 tercatat 5,5 persen berbanding 9,7 persen. GPT-Transcribe adalah model yang kini direkomendasikan OpenAI untuk rekaman, menggantikan whisper-1 dan gpt-4o-transcribe yang berstatus usang, dengan harga US$0,0045 per menit atau sekitar US$0,27 per jam menurut dokumentasi OpenAI. Terhadap Gemini 3.5 Transcribe dari Google di 102 bahasa, angkanya 12,4 persen berbanding 18,5 persen.
Sementara itu, klaim vendor tentu perlu dicek ke penguji independen. Di papan Artificial Analysis yang kami periksa Senin (16/11/2026), Scribe v3 mencatat 1,9 persen kata salah, peringkat kedua setelah Fun-Realtime-ASR-preview dari Alibaba (1,7 persen). Tepat di bawahnya ada MAI-Transcribe-2 milik Microsoft (2,0 persen), lalu Zoom Scribe V2.1 Pro dan Voxtral Small Transcribe 3 dari Mistral (masing-masing 2,1 persen). Pendahulunya sendiri, Scribe v2, mencatat 2,2 persen.
Namun, akurasi bukan satu-satunya ukuran. The Decoder mencatat Scribe v3 berada di posisi tengah untuk kecepatan dan harga. Data Artificial Analysis memperlihatkan MAI-Transcribe-2 memproses audio sekitar 324 kali lebih cepat dari durasinya dengan biaya US$1,67 per 1.000 menit, sementara Scribe v3 sekitar 74 kali lebih cepat dengan biaya US$3,33. Di sisi lain, GPT Transcribe (3,3 persen) dan Gemini 3.5 Transcribe (2,6 persen) tertinggal dalam akurasi sekaligus lebih mahal.
Padahal, ada dua catatan penting sebelum menyimpulkan. Pertama, papan Artificial Analysis hanya memakai tiga set data berbahasa Inggris (percakapan agen, pidato Parlemen Eropa, dan panggilan laporan keuangan), sehingga belum menggambarkan rekaman berbahasa Indonesia. Kedua, angka 1,9 persen itu hanya mengukur kata salah pada file rekaman. Penanda pembicara dan mode waktu nyata yang menjadi andalan Scribe v3 Live dinilai di papan terpisah, jadi skor ini belum menggambarkan keduanya.
Apakah bisa dipakai di Indonesia, dan berapa biayanya?
Bisa. Menurut pusat bantuan ElevenLabs, akses hanya diblokir dari Belarus, Kuba, Iran, Korea Utara, Rusia, dan Suriah, sehingga Indonesia tidak termasuk. Bahasa Indonesia juga tercantum dalam daftar bahasa di dokumentasi transkripsi, bahkan masuk kelompok "Excellent" dengan kata salah paling tinggi 5 persen. Bahasa Jawa masuk kelompok "Good" (10 sampai 20 persen), sedangkan bahasa Sunda tidak tercantum. Tabel tingkat akurasi itu masih ditulis untuk Scribe v2, belum diperbarui khusus untuk Scribe v3.
Soal biaya, harganya justru tidak naik. harga API Scribe v3 adalah US$0,20 per jam audio, atau sekitar Rp3.644 dengan kurs Rp18.222 per dolar AS dari open.er-api.com pada Senin (16/11/2026). Pengguna aplikasi web memakai sistem kredit: menurut halaman harga, transkripsi memakan sekitar 330 kredit per menit. Artinya, paket Free ElevenLabs berisi 10.000 kredit sebulan cukup untuk kira-kira 30 menit audio, sedangkan paket Starter (US$6 sebulan, dengan promo bulan pertama US$1 sampai 1 Desember) berisi 30.000 kredit atau sekitar 90 menit.
Namun, ada satu batas yang sering terlewat oleh pelajar. Ketentuan layanan ElevenLabs (diperbarui 9 Oktober 2026) melarang pengguna di bawah 18 tahun atau di bawah usia dewasa hukum di negaranya. Ketentuan yang sama menyebut konten pengguna bisa dipakai untuk melatih model, tetapi pengguna boleh menolaknya lewat menu "Data use" di bagian "Terms and Privacy" pengaturan akun.
Apa artinya untuk skripsi, kuliah, dan kerja?
Bagi mahasiswa yang sedang menulis skripsi kualitatif, transkrip wawancara adalah bahan mentah sebelum tahap analisis tematik. ElevenLabs sendiri memberi hitungan sederhana: rapat satu jam dengan kecepatan bicara 150 kata per menit menghasilkan sekitar 9.000 kata, sehingga selisih kata salah 4 persen dan 2 persen berarti 180 kata keliru, atau tiga kata untuk setiap menit bicara. Kesalahan itu justru biasanya menumpuk di nama, angka, dan istilah teknis, bagian yang paling penting dalam data penelitian.
Makanya, transkrip dari model seakurat apa pun tetap perlu diperiksa ulang sebelum dikutip. Berikut langkah praktis sebelum mengunggah rekaman ke layanan transkripsi mana pun:
- Minta izin narasumber. Jelaskan bahwa rekaman akan diproses layanan transkripsi daring, apalagi kalau berisi data pribadi. ElevenAI sendiri memberi tahu peserta rapat bahwa percakapan direkam.
- Cek batas usia dan setelan data. Pelajar di bawah 18 tahun tidak boleh memakai ElevenLabs. Pengguna dewasa bisa mematikan pemakaian data untuk pelatihan lewat menu "Data use".
- Siapkan daftar istilah. Nama narasumber, nama tempat, dan istilah bidang ilmu bisa dimasukkan sebagai keyterm agar tidak salah dengar.
- Dengarkan ulang bagian penting. Cocokkan angka, nama, dan kutipan yang akan masuk bab hasil penelitian dengan rekaman aslinya.
- Bandingkan dengan alat lain. Daftar aplikasi notulen rapat AI yang paham bahasa Indonesia bisa jadi pembanding, begitu juga Claude Meetings dan Gemini di Google Meet untuk rapat daring.
Sementara itu, bagi pekerja kantoran, kabar ini memperlihatkan arah persaingan yang bergeser. Fireflies, Wispr Flow, dan Granola, menurut TechCrunch, sudah lebih dulu merilis fitur dikte dan catatan rapat yang saling bersaing dalam beberapa bulan terakhir. Kini, ElevenLabs ikut masuk dengan model transkripsinya sendiri. Alhasil, akurasi bahasa lokal dan harga akan jadi pembeda utama.
FAQ: Scribe v3
Kapan ElevenLabs merilis Scribe v3?
ElevenLabs merilis Scribe v3 dan Scribe v3 Live pada Selasa, 10 November 2026, di ElevenAPI dan ElevenAgents. Keduanya juga menjadi model bawaan di aplikasi ElevenLabs.
Apa beda Scribe v3 dan Scribe v3 Live?
Scribe v3 dipakai untuk audio yang sudah direkam, seperti wawancara atau kuliah, dengan harga US$0,20 per jam. Scribe v3 Live dipakai untuk transkripsi waktu nyata dan agen suara, dengan harga US$0,22 per jam, serta punya prediksi giliran bicara dan penanda pembicara secara langsung.
Apakah Scribe v3 lebih akurat dari GPT-Transcribe dan Whisper?
Di papan pihak ketiga Artificial Analysis per 16 November 2026, Scribe v3 mencatat 1,9 persen kata salah, lebih rendah dari GPT Transcribe (3,3 persen) dan Whisper Large v3 Turbo via Groq (4,6 persen). Uji itu memakai rekaman berbahasa Inggris, jadi hasil untuk bahasa Indonesia bisa berbeda.
Apakah Scribe v3 mendukung bahasa Indonesia?
Ya. Bahasa Indonesia tercantum dalam daftar bahasa transkripsi ElevenLabs dan masuk kelompok akurasi "Excellent" (kata salah paling tinggi 5 persen) pada tabel yang masih ditulis untuk Scribe v2. ElevenLabs belum merilis angka akurasi bahasa Indonesia khusus untuk Scribe v3.
Bolehkah siswa SMA memakai Scribe v3?
Tidak, kalau usianya di bawah 18 tahun. Ketentuan layanan ElevenLabs melarang pengguna di bawah 18 tahun atau di bawah usia dewasa hukum di negaranya memakai layanan mereka.
Pada akhirnya, Scribe v3 menunjukkan bahwa perlombaan transkripsi kini dimenangkan di hal-hal kecil: satu digit kode pos, satu nama narasumber, satu istilah yang tidak salah dengar. Namun, bagi pengguna Indonesia, ujian sebenarnya tetap sama, yaitu seberapa rapi ia menangkap wawancara yang bercampur bahasa daerah, logat, dan suara warung kopi di latar belakang.
Kalau yang kamu butuhkan notulen dari rekaman rapat atau kuliah berbahasa Indonesia, Catatan Rapat kakak.ai bisa merekam langsung dari browser atau menerima unggahan MP3, WAV, dan M4A, lalu menyusun transkrip, ringkasan, keputusan, dan action items. Coba Sekarang, Gratis.
Platform AI all-in-one untuk produktivitas kamu
Coba kakak.ai Gratis