هوش مصنوعی ElevenAI معرفی گردید؛ دستیار جلسات با مدل Scribe v3 - مینی ست

توسعه قلمرو ElevenLabs؛ از فراوری صدا تا همکار هوشمند سازمانی

شرکت ElevenLabs طی سال های اخیر نام خود را به عنوان پیشگام بی رقیب سنتز صدای طبیعی و دوبله هوش مصنوعی در دنیا تثبیت نموده بود. اما این شرکت در رویداد بزرگ 11/11 خود در نیویورک (نوامبر 2026) نشان داد که افق دیدش بسیار فراتر از فراوری فایل های صوتی است و میخواهد به قلب میز کار روزمره تیم ها و شرکت ها نفوذ کند.

به گزارش وب سایت فناوری TechCrunch، محصول تازه این شرکت با نام هوش مصنوعی ElevenAI یک نرم افزار دسکتاپ همه کاره است که به طور مستقیم به رقابت با ابزارهای محبوبی همچون Fireflies، Granola و Wispr Flow وارد شده است. ایده محوری الون لبز ساده اما بسیار کاربردی است: چرا یک تیم کاری باید برای ضبط و خلاصه سازی جلسات یک اشتراک بخرد، برای تایپ صوتی سریع در نرم افزارهای اداری اشتراک دوم تهیه کند، و برای پیگیری مصوبات به سراغ ابزار سوم برود، وقتی یک مدل صوتی فوق دقیق می تواند هر سه وظیفه را به هم پیوند بزند؟

این حرکت در امتداد موج بزرگ دستیارهای صوتی و پوشیدنی های ثبت مکالمات قرار می گیرد که نمونه های سخت افزاری آن را پیش تر در گجت های هوش مصنوعی Bee آمازون دیده بودیم؛ با این تفاوت که ElevenAI احتیاجی به سخت افزار جانبی ندارد و مستقیماً روی سیستم عامل رایانه مستقر می گردد.

چهار قابلیت کلیدی اپلیکیشن هوش مصنوعی ElevenAI برای تیم ها

بر اساس اطلاعات منتشرشده در نشست رسمی ElevenLabs، اپلیکیشن ElevenAI به عنوان یک همکار هوشمند تیمی با چهار ستون عملکردی طراحی شده است:

1. هوش جلسات و یادداشت برداری اتوماتیک بدون حضور ربات مزاحم

بسیاری از ابزارهای قدیمی ضبط جلسه، یک اکانت رباتیک مزاحم را وارد اتاق جلسات آنلاین می کنند که باعث معذب شدن حاضرین می گردد. ElevenAI مستقیماً صدای جلسات آنلاین یا حضوری را با رعایت استانداردهای شفافیت و اطلاع رسانی دریافت نموده، صحبت های تک تک افراد را با برچسب نام گوینده تفکیک می نماید و در انتها جلسه خلاصه ای ساختاریافته شامل تصمیمات کلیدی و لیست وظایف هر فرد تحویل می دهد.

2. جست وجوی هوشمند بین جلسه ای و یاری زنده حین تماس

یکی از درخشان ترین قابلیت های ElevenAI، ایجاد حافظه سازمانی قابل جست وجو است. کاربران می توانند از هوش مصنوعی بپرسند: در جلسه سه هفته پیش درباره بودجه طراحی محصول چه تصمیمی گرفتیم؟ و پاسخ مستند دریافت کنند. علاوه بر این، حین برگزاری یک جلسه زنده نیز می توان به صورت بی صدا از دستیار درباره جزئیات فنی مطرح شده یا سوابق قبلی پرسش کرد.

3. تایپ صوتی سراسری (Universal Dictation) در تمام برنامه ها

بخش دیکته صوتی ElevenAI به کاربر اجازه می دهد در هر محیطی روی دسکتاپ (از ایمیل و ورد گرفته تا اسلک و محیط های کدنویسی) صحبت کند و متن ویرایش شده، پاکیزه و بدون تپق های کلامی را در لحظه تحویل بگیرد. این سیستم بیش از 90 زبان را می فهمد و به یاری قابلیت واژه نامه اختصاصی (Dictionary)، نام برندها، اصطلاحات مهندسی و پزشکی را بدون غلط املایی ثبت می نماید.

4. اتصال مستقیم به چارچوب ایجنت های ElevenAgents

نقطه تمایز اصلی ElevenAI با یادداشت بردارهای سنتی، پیوند آن با ایجنت های عملیاتی است. به محض انتها جلسه، کاربر می تواند با یک کلیک به ایجنت دستور دهد پیش نویس ایمیل های پیگیری را آماده کند، بلیت وظایف نو را در نرم افزار مدیریت پروژه ثبت نماید یا خلاصه جلسه را برای اعضای غایب ارسال کند؛ رویکردی همگام با نسل نوین همکاران دیجیتال نظیر معرفی کلود دوئت که بر اتوماتیکسازی زنجیره کار تمرکز دارند.

کالبدشکافی مدل Scribe v3 و Scribe v3 Live؛ جهش بزرگ در فهم گفتار

قدرت واقعی اپلیکیشن ElevenAI از موتور زیربنایی نو آن یعنی خانواده مدل های Scribe v3 سرچشمه می گیرد که هم زمان در نوامبر 2026 رونمایی شدند. الون لبز این خانواده را در دو نسخه مجزا برای احتیاجهای متفاوت عرضه نموده است:

• مدل Scribe v3 (ویژه فایل های ضبط شده و پردازش دسته ای): این مدل از 102 زبان پشتیبانی می نماید و در مقایسه با نسل قبلی (Scribe v2)، مقدار خطای کلمات (WER) را 27 درصد کاهش داده است. بعلاوه در تفکیک هم زمان صدای 3 نفر یا بیشتر در اتاق های شلوغ (Diarization)، تا 17 درصد خطای کمتری ثبت می نماید.
• مدل Scribe v3 Live (ویژه استریم بلادرنگ و ایجنت های صوتی): این نسخه با تاخیر فوق العاده پایین (زیر 150 میلی ثانیه) کار می نماید و خطاهای معنایی زنده را بیش از 40 درصد کاهش داده است. برای نخستین بار، تفکیک زنده گویندگان در حین پخش جریان صوتی و قابلیت پیش بینی نوبت صحبت (Turn Prediction) به این مدل افزوده شده تا وقتی کاربر وسط خواندن یک شماره تلفن مکث می نماید، هوش مصنوعی حرف او را قطع نکند.

بیشتر بدانید: قابلیت پرامپت 1000 واژه کلیدی در Scribe v3

توسعه دهندگان و تیم های تخصصی در مدل Scribe v3 می توانند لیستی تا سقف 1000 واژه تخصصی، نام محصول یا اسامی خاص فارسی و انگلیسی را به مدل بدهند تا سیستم هنگام رونویسی فایل های صوتی پر از نویز، دقیق ترین املای استاندارد را برای اصطلاحات فنی انتخاب کند.

جدول معینات فنی ElevenAI و موتور Scribe v3

در جدول زیر، معینات فنی کامل دستیار ElevenAI و مدل های گفتاری نسل سوم الون لبز به صورت یکجا جمع بندی شده است:

رقابت سنگین در بازار هوش مصنوعی سازمانی در سال 2026

ورود الون لبز به قلمرو ابزارهای بهره وری دسکتاپ نشان دهنده یک روند کلان در صنعت هوش مصنوعی در اواخر سال 2026 است: شرکت های سازنده مدل های پایه (Foundation Models) دیگر به فروش API خام به استارتاپ های واسطه بسنده نمی کنند و خودشان مستقیماً اپلیکیشن های نهایی کاربرپسند عرضه می کنند.

همچون جهشی که اخیراً در جمینای 4 هیدروژن گوگل برای حل پرسش های پیچیده و استدلال چندمرحله ای مشاهده کردیم، ElevenLabs نیز کوشش می نماید با تکیه بر رجحان بومی خود در لایه صوت (هم شنیدن با Scribe v3 و هم سخن گفتن با Eleven v4)، تجربه ای بدون اصطکاک بسازد که استارتاپ های تک منظوره به سادگی توان رقابت با هزینه و سرعت آن را نداشته باشند.

حریم خصوصی و الزامات شفافیت در ضبط جلسات کاری

یکی از حساس ترین مباحث پیرامون نرم افزارهای رونویسی جلسات، رعایت قوانین حریم خصوصی و رضایت طرفین گفت وگو است. در بعضی برنامه های دسکتاپ که صدا را مستقیماً از کارت صدای سیستم ضبط می کنند، این نگرانی وجود داشت که شرکت کنندگان جلسه از ضبط شدن صحبت هایشان بی اطلاع بمانند.

به گزارش TechCrunch، شرکت ElevenLabs در طراحی ElevenAI سازوکارهای انطباق و اطلاع رسانی داخلی تعبیه نموده است تا به شرکت کنندگان جلسه اعلام گردد که مکالمه در حال پردازش و یادداشت برداری هوشمند است. بعلاوه در نسخه های سازمانی، داده های جلسات در فضای ایزوله هر شرکت نگهداری شده و برای آموزش عمومی مدل ها مورد استفاده قرار نمی گیرد.

نکته مهم: رعایت اخلاق حرفه ای در استفاده از دستیارهای ضبط جلسه

پیش از فعال کردن هرگونه ابزار رونویسی هوش مصنوعی در جلسات کاری یا مشاوره ای، همواره در ابتدای تماس به همکاران یا مشتریان اطلاع دهید که دستیار یادداشت بردار برای ثبت دقیق مصوبات فعال است؛ این شفافیت پایه اعتماد حرفه ای را تقویت می نماید.

ترفند طلایی: استفاده از دیکته صوتی برای سرعت 3 برابری فراوری محتوا

انسان به طور میانگین با سرعت 150 کلمه در دقیقه صحبت می نماید، اما سرعت تایپ صفحه کلید اغلب حدود 40 تا 50 کلمه در دقیقه است. با ثبت اصطلاحات پرتکرار کاری خود در بخش Dictionary برنامه ElevenAI، می توانید پیش نویس گزارش های روزانه و ایمیل های طولانی را در یک سوم زمان معمول با صدای خود بنویسید.

مقایسه ElevenAI با رقبای سرشناس بازار (Granola، Otter و Wispr Flow)

برای درک دقیق ارزش پیشنهادی محصول نو الون لبز، باید ببینیم میز کار کاربران حرفه ای پیش از نوامبر 2026 چه شکلی داشت. بسیاری از مدیران محصول و پژوهشگران از برنامه Granola برای ترکیب یادداشت های دستی و صدای جلسه استفاده می کردند، تیم های فروش به سراغ Otter یا Fireflies می رفتند و نویسندگان و برنامه نویسان برای تایپ صوتی سریع، برنامه Wispr Flow را روی مک نصب می نمودند.

مشکل بزرگ این چیدمان تکهتکه، جزیره ای شدن اطلاعات بود؛ واژه نامه تخصصی که کاربر در برنامه دیکته صوتی خود آموزش داده بود به برنامه ضبط جلسه منتقل نمی شد و خلاصه جلسات نیز به ایجنت های اجرایی متصل نبود. هوش مصنوعی ElevenAI با ادغام هر سه لایه در یک هسته واحد، دو مزیت ملموس ایجاد می نماید:

• حافظه واژگانی و زمینه ای مشترک: وقتی نام یک پروژه، مشتری یا اصطلاح فنی در جلسه کاری مطرح می گردد، سیستم دیکته صوتی نیز بلافاصله آن واژه را به رسمیت می شناسد و هنگام تایپ صوتی ایمیل پیگیری، املای دقیق آن را به کار می برد.
• حذف هزینه اشتراک های موازی: سازمان ها به جای پرداخت سه حق اشتراک ماهانه جداگانه به سه شرکت مختلف و مدیریت سه پنل امنیتی مجزا، تمام جریان کاری صوت به متن و اقدام پذیری جلسات را در یک پلتفرم یکپارچه مدیریت می کنند.

عملکرد در مکالمات دوزبانه (Code-Switching)؛ برگ برنده برای متخصصان فارسی زبان

یکی از چالش های همیشگی کاربران ایرانی، پزشکان، مهندسان نرم افزار و اساتید دانشگاه در کار با ابزارهای تبدیل گفتار به نوشتار، استفاده هم زمان از جملات فارسی و واژگان تخصصی انگلیسی در میانه یک جمله است؛ پدیده ای زبان شناختی که به آن کدگزینی یا Code-Switching گفته می گردد. اغلب سیستم های قدیمی به محض شنیدن یک واژه انگلیسی وسط جمله فارسی، آن را به یک کلمه نامفهوم فارسی شبیه سازی می کردند یا کل جمله را به هم می ریختند.

معماری نسل سوم Scribe v3 به لطف آموزش عمیق بر روی داده های چندزبانه واقعی و بهره گیری از پارامتر تشخیص هوشمند زبان دوم، توانایی کم نظیری در مدیریت این تغییر زبان های لحظه ای دارد. زمانی که یک توسعه دهنده در جلسه فنی می گوید: باید تا فردا مشکل Latency در سرویس Authentication را رفع کنیم، موتور Scribe v3 ساختار دستوری فارسی را حفظ نموده و هم زمان اصطلاحات فنی انگلیسی را بدون تحریف آوایی با املای صحیح ثبت می نماید.

تحول در توسعه ایجنت های صوتی و مراکز تماس هوشمند با Scribe v3 Live

فراتر از اپلیکیشن دسکتاپ، انتشار API مدل Scribe v3 Live خبر بسیار مهمی برای توسعه دهندگان نرم افزار و استارتاپ های هوش مصنوعی است. در سامانه های پاسخگویی تلفنی هوشمند، بزرگ ترین عامل کلافگی مشتریان دو چیز بود: یا هوش مصنوعی وسط مکث کوتاه کاربر حرفش را قطع می کرد، و یا پس از انتها جمله کاربر دو ثانیه سکوت غیرطبیعی برقرار می شد.

مدل Scribe v3 Live با ترکیب تاخیر زیر 150 میلی ثانیه و الگوریتم تشخیص هوشمند انتها نوبت گفتار بر اساس لحن و ساختار معنایی جمله (و نه صرفاً قطع شدن صدا)، مکالمه با ایجنت های صوتی را به تجربه ای کاملاً روان شبیه گفت وگوی دو انسان نزدیک نموده است. بعلاوه پشتیبانی بومی از تشخیص برچسب های احساسی و رخدادهای صوتی (مانند خنده، مکث تردیدآمیز یا صدای پس زمینه)، به دستیارهای پشتیبانی اجازه می دهد لحن پاسخگویی خود را متناسب با حال وهوای مخاطب تنظیم کنند.

نکات انتهای و جمع بندی کاربردی

رونمایی هم زمان از اپلیکیشن هوش مصنوعی ElevenAI و موتور قدرتمند Scribe v3 گام بلندی در بلوغ رابط های کاربری صوتی به شمار می رود. ترکیب کاهش چشمگیر خطای تایپ چندزبانه، تشخیص هوشمند گویندگان در لحظه و پیوند مستقیم یادداشت های جلسه با ایجنت های اجرایی، نشان می دهد که صفحه کلید به تدریج جایگاه انحصاری خود را در محیط های کاری به گفت وگوی طبیعی و هوشمند واگذار می نماید.