在語音轉文字技術領域，ElevenLabs與谷歌近期成為行業焦點。根據Artificial Analysis最新發布的AA-WER v2.0基準測試結果，兩家企業在音頻轉錄任務中展現出顯著優勢，其模型性能遠超多數競爭對手。
ElevenLabs推出的Scribe v2模型以2.3%的詞錯率（WER）摘得桂冠，成為當前準確率最高的商用語音識別系統。谷歌的Gemini3Pro緊隨其后，錯誤率控制在2.9%，盡管該模型未針對轉錄場景進行專項優化，但其多模態架構仍展現出強大泛化能力。測試數據顯示，這兩款模型在處理復雜語音場景時，對專業術語、口音和背景噪音的適應性明顯優于其他產品。
中游陣營呈現差異化競爭態勢。Mistral Voxtral Small以3.0%的錯誤率位列第三，谷歌另一款輕量化模型Gemini3Flash則以3.1%的微弱差距緊隨其后。OpenAI的Whisper Large v3作為開源領域代表，此次取得4.2%的測試成績，雖在準確率上不及頭部企業，但其開放生態仍吸引大量開發者使用。值得注意的是，該模型在長音頻處理和方言識別方面具有獨特優勢。
部分企業模型表現未達預期。阿里巴巴的Qwen3ASR Flash、亞馬遜的Nova2Omni以及Rev AI分別以5.9%、6.0%和6.1%的錯誤率位列榜單末位。技術分析指出，這些模型在訓練數據多樣性、實時響應速度等關鍵指標上存在改進空間，尤其在處理高語速或含混發音時，錯誤率出現明顯上升。
專項測試進一步驗證頭部模型優勢。在針對語音助手指令設計的AA-AgentTalk評測中，ElevenLabs Scribe v2和Google Gemini3Pro延續強勢表現，錯誤率分別低至1.6%和1.7%。這類測試重點考察模型對短句、關鍵詞和上下文的理解能力，結果顯示兩家企業的產品在交互延遲和語義解析精度上已達到消費級應用標準，為智能家居、車載系統等場景提供了可靠技術支撐。
