هوش مصنوعی ElevenAI معرفی شد؛ دستیار جلسات با مدل Scribe v3

هوش مصنوعی ElevenAI اپلیکیشن بهره‌وری جدید شرکت ElevenLabs است که در نوامبر ۲۰۲۶ هم‌زمان با مدل تشخیص گفتار Scribe v3 معرفی شد و سه قابلیت یادداشت‌برداری هوشمند جلسات، تایپ صوتی در بیش از ۹۰ زبان و اجرای خودکار وظایف تیمی توسط ایجنت‌ها را یکپارچه می‌سازد.

گسترش قلمرو ElevenLabs؛ از تولید صدا تا همکار هوشمند سازمانی

شرکت ElevenLabs طی سال‌های اخیر نام خود را به عنوان پیشگام بی‌رقیب سنتز صدای طبیعی و دوبله هوش مصنوعی در جهان تثبیت کرده بود. اما این شرکت در رویداد بزرگ ۱۱/۱۱ خود در نیویورک (نوامبر ۲۰۲۶) نشان داد که افق دیدش بسیار فراتر از تولید فایل‌های صوتی است و قصد دارد به قلب میز کار روزمره تیم‌ها و شرکت‌ها نفوذ کند.

به گزارش وب‌سایت فناوری TechCrunch، محصول تازه این شرکت با نام هوش مصنوعی ElevenAI یک نرم‌افزار دسکتاپ همه‌کاره است که به‌طور مستقیم به رقابت با ابزارهای محبوبی همچون Fireflies، Granola و Wispr Flow وارد شده است. ایده محوری الون‌لبز ساده اما بسیار کاربردی است: چرا یک تیم کاری باید برای ضبط و خلاصه‌سازی جلسات یک اشتراک بخرد، برای تایپ صوتی سریع در نرم‌افزارهای اداری اشتراک دوم تهیه کند، و برای پیگیری مصوبات به سراغ ابزار سوم برود، وقتی یک مدل صوتی فوق‌دقیق می‌تواند هر سه وظیفه را به هم پیوند بزند؟

این حرکت در امتداد موج بزرگ دستیارهای صوتی و پوشیدنی‌های ثبت مکالمات قرار می‌گیرد که نمونه‌های سخت‌افزاری آن را پیش‌تر در گجت های هوش مصنوعی Bee آمازون دیده بودیم؛ با این تفاوت که ElevenAI نیازی به سخت‌افزار جانبی ندارد و مستقیماً روی سیستم‌عامل رایانه مستقر می‌شود.

چهار قابلیت کلیدی اپلیکیشن هوش مصنوعی ElevenAI برای تیم‌ها

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

۱. هوش جلسات و یادداشت‌برداری خودکار بدون حضور ربات مزاحم

بسیاری از ابزارهای قدیمی ضبط جلسه، یک اکانت رباتیک مزاحم را وارد اتاق جلسات آنلاین می‌کنند که باعث معذب شدن حاضرین می‌شود. ElevenAI مستقیماً صدای جلسات آنلاین یا حضوری را با رعایت استانداردهای شفافیت و اطلاع‌رسانی دریافت کرده، صحبت‌های تک‌تک افراد را با برچسب نام گوینده تفکیک می‌کند و در پایان جلسه خلاصه‌ای ساختاریافته شامل تصمیمات کلیدی و فهرست وظایف هر فرد تحویل می‌دهد.

۲. جست‌وجوی هوشمند بین‌جلسه‌ای و کمک زنده حین تماس

یکی از درخشان‌ترین قابلیت‌های ElevenAI، ایجاد حافظه سازمانی قابل جست‌وجو است. کاربران می‌توانند 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 می‌توان به‌صورت بی‌صدا از دستیار درباره جزئیات فنی مطرح‌شده یا سوابق قبلی پرسش کرد.

۳. تایپ صوتی سراسری (Universal Dictation) در تمام برنامه‌ها

بخش دیکته صوتی ElevenAI به کاربر اجازه می‌دهد در هر محیطی روی دسکتاپ (از ایمیل و ورد گرفته تا اسلک و محیط‌های کدنویسی) صحبت کند و متن ویرایش‌شده، پاکیزه و بدون تپق‌های کلامی را در لحظه تحویل بگیرد. این سیستم بیش از ۹۰ زبان را می‌فهمد و به کمک قابلیت «واژه‌نامه اختصاصی» (Dictionary)، نام برندها، اصطلاحات مهندسی و پزشکی را بدون غلط املایی ثبت می‌کند.

۴. اتصال مستقیم به چارچوب ایجنت‌های ElevenAgents

نقطه تمایز اصلی ElevenAI با یادداشت‌بردارهای سنتی، پیوند آن با ایجنت‌های عملیاتی است. به محض پایان جلسه، کاربر می‌تواند با یک کلیک به ایجنت دستور دهد پیش‌نویس ایمیل‌های پیگیری را آماده کند، بلیت وظایف جدید را در نرم‌افزار 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 خودکارسازی زنجیره کار تمرکز دارند.

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

قدرت واقعی اپلیکیشن ElevenAI از موتور زیربنایی جدید آن یعنی خانواده مدل‌های Scribe v3 سرچشمه می‌گیرد که هم‌زمان در نوامبر ۲۰۲۶ رونمایی شدند. الون‌لبز این خانواده را در دو نسخه مجزا برای نیازهای متفاوت عرضه کرده است:

• مدل Scribe v3 (ویژه فایل‌های ضبط‌شده و پردازش دسته‌ای): این مدل از ۱۰۲ زبان پشتیبانی می‌کند و در مقایسه با نسل قبلی (Scribe v2)، میزان خطای کلمات (WER) را ۲۷ درصد کاهش داده است. همچنین در تفکیک هم‌زمان صدای ۳ نفر یا بیشتر در اتاق‌های شلوغ (Diarization)، تا ۱۷ درصد خطای کمتری ثبت می‌کند.
• مدل Scribe v3 Live (ویژه استریم بلادرنگ و ایجنت‌های صوتی): این نسخه با تاخیر فوق‌العاده پایین (زیر ۱۵۰ میلی‌ثانیه) کار می‌کند و خطاهای معنایی زنده را بیش از ۴۰ درصد کاهش داده است. برای نخستین بار، تفکیک زنده گویندگان در حین پخش جریان صوتی و قابلیت «پیش‌بینی نوبت صحبت» (Turn Prediction) به این مدل افزوده شده تا وقتی کاربر وسط خواندن یک شماره تلفن مکث می‌کند، هوش مصنوعی حرف او را قطع نکند.

جدول مشخصات فنی ElevenAI و موتور Scribe v3

در جدول زیر، مشخصات فنی کامل دستیار ElevenAI و مدل‌های گفتاری نسل سوم الون‌لبز به صورت یکجا جمع‌بندی شده است:

رقابت سنگین در بازار هوش مصنوعی سازمانی در سال ۲۰۲۶

ورود الون‌لبز به قلمرو ابزارهای بهره‌وری دسکتاپ نشان‌دهنده یک روند کلان در صنعت هوش مصنوعی در اواخر سال ۲۰۲۶ است: شرکت‌های سازنده مدل‌های پایه (Foundation Models) دیگر به فروش API خام به استارتاپ‌های واسطه بسنده نمی‌کنند و خودشان مستقیماً اپلیکیشن‌های نهایی کاربرپسند عرضه می‌نمایند.

همانند جهشی که اخیراً در جمینای ۴ هیدروژن گوگل برای حل پرسش‌های پیچیده و استدلال چندمرحله‌ای مشاهده کردیم، ElevenLabs نیز تلاش می‌کند با تکیه بر برتری بومی خود در لایه صوت (هم شنیدن با Scribe v3 و هم سخن گفتن با Eleven v4)، تجربه‌ای بدون اصطکاک بسازد که استارتاپ‌های تک‌منظوره به سادگی توان رقابت با هزینه و سرعت آن را نداشته باشند.

حریم خصوصی و الزامات شفافیت در ضبط جلسات کاری

یکی از حساس‌ترین مباحث پیرامون نرم‌افزارهای رونویسی جلسات، رعایت قوانین حریم خصوصی و رضایت طرفین گفت‌وگو است. در برخی برنامه‌های دسکتاپ که صدا را مستقیماً از کارت صدای سیستم ضبط می‌کنند، این نگرانی وجود داشت که شرکت‌کنندگان جلسه از ضبط شدن صحبت‌هایشان بی‌اطلاع بمانند.

به گزارش TechCrunch، شرکت ElevenLabs در طراحی ElevenAI سازوکارهای انطباق و اطلاع‌رسانی داخلی تعبیه کرده است تا به شرکت‌کنندگان جلسه اعلام شود که مکالمه در حال پردازش و یادداشت‌برداری هوشمند است. همچنین در نسخه‌های سازمانی، داده‌های جلسات در فضای ایزوله هر شرکت نگهداری شده و برای آموزش عمومی مدل‌ها مورد استفاده قرار نمی‌گیرد.

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

برای درک دقیق ارزش پیشنهادی محصول جدید الون‌لبز، باید ببینیم میز کار کاربران حرفه‌ای پیش از نوامبر ۲۰۲۶ چه شکلی داشت. بسیاری از مدیران محصول و پژوهشگران از برنامه Granola برای ترکیب یادداشت‌های دستی و صدای جلسه استفاده می‌کردند، تیم‌های فروش به سراغ Otter یا Fireflies می‌رفتند و نویسندگان و برنامه‌نویسان برای تایپ صوتی سریع، برنامه Wispr Flow را روی مک نصب می‌نمودند.

مشکل بزرگ این چیدمان تکهتکه، جزیره‌ای شدن اطلاعات بود؛ واژه‌نامه تخصصی که کاربر در برنامه دیکته صوتی خود آموزش داده بود به برنامه ضبط جلسه منتقل نمی‌شد و خلاصه جلسات نیز به ایجنت‌های اجرایی متصل نبود. هوش مصنوعی ElevenAI با ادغام هر سه لایه در یک هسته واحد، دو مزیت ملموس ایجاد می‌کند:

• حافظه واژگانی و زمینه‌ای مشترک: وقتی نام یک پروژه، مشتری یا اصطلاح فنی در جلسه کاری مطرح می‌شود، سیستم دیکته صوتی نیز بلافاصله آن واژه را به رسمیت می‌شناسد و هنگام تایپ صوتی ایمیل پیگیری، املای دقیق آن را به کار می‌برد.
• حذف هزینه اشتراک‌های موازی: سازمان‌ها به جای پرداخت سه حق اشتراک ماهانه جداگانه به سه شرکت مختلف و مدیریت سه پنل امنیتی مجزا، تمام جریان کاری صوت‌به‌متن و اقدام‌پذیری جلسات را در یک پلتفرم یکپارچه مدیریت می‌کنند.

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

یکی از چالش‌های همیشگی کاربران ایرانی، پزشکان، مهندسان نرم‌افزار و اساتید دانشگاه در کار با ابزارهای تبدیل گفتار به نوشتار، استفاده هم‌زمان از جملات فارسی و واژگان تخصصی انگلیسی در میانه یک جمله است؛ پدیده‌ای زبان‌شناختی که به آن «کدگزینی» یا Code-Switching گفته می‌شود. اغلب سیستم‌های قدیمی به محض شنیدن یک واژه انگلیسی وسط جمله فارسی، آن را به یک کلمه نامفهوم فارسی شبیه‌سازی می‌کردند یا کل جمله را به‌هم می‌ریختند.

معماری نسل سوم Scribe v3 به لطف آموزش عمیق بر روی داده‌های چندزبانه واقعی و بهره‌گیری از پارامتر تشخیص هوشمند زبان دوم، توانایی کم‌نظیری در مدیریت این تغییر زبان‌های لحظه‌ای دارد. زمانی که یک توسعه‌دهنده در جلسه فنی می‌گوید: «باید تا فردا مشکل Latency در سرویس Authentication را برطرف کنیم»، موتور Scribe v3 ساختار دستوری فارسی را حفظ کرده و هم‌زمان اصطلاحات فنی انگلیسی را بدون تحریف آوایی با املای صحیح ثبت می‌کند.

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

فراتر از اپلیکیشن دسکتاپ، انتشار API مدل Scribe v3 Live خبر بسیار مهمی برای توسعه‌دهندگان نرم‌افزار و استارتاپ‌های هوش مصنوعی است. در سامانه‌های پاسخگویی تلفنی هوشمند، بزرگ‌ترین عامل کلافگی مشتریان دو چیز بود: یا هوش مصنوعی وسط مکث کوتاه کاربر حرفش را قطع می‌کرد، و یا پس از پایان جمله کاربر دو ثانیه سکوت غیرطبیعی برقرار می‌شد.

مدل Scribe v3 Live با ترکیب تاخیر زیر ۱۵۰ میلی‌ثانیه و الگوریتم «تشخیص هوشمند پایان نوبت گفتار» بر اساس لحن و ساختار معنایی جمله (و نه صرفاً قطع شدن صدا)، مکالمه با ایجنت‌های صوتی را به تجربه‌ای کاملاً روان شبیه گفت‌وگوی دو انسان نزدیک کرده است. همچنین پشتیبانی بومی از تشخیص برچسب‌های احساسی و رخدادهای صوتی (مانند خنده، مکث تردیدآمیز یا صدای پس‌زمینه)، به دستیارهای پشتیبانی اجازه می‌دهد لحن پاسخگویی خود را متناسب با حال‌وهوای مخاطب تنظیم نمایند.

نکات پایانی و جمع‌بندی کاربردی

رونمایی هم‌زمان از اپلیکیشن هوش مصنوعی ElevenAI و موتور قدرتمند Scribe v3 گام بلندی در بلوغ رابط‌های کاربری صوتی به شمار می‌رود. ترکیب کاهش چشمگیر خطای تایپ چندزبانه، تشخیص هوشمند گویندگان در لحظه و پیوند مستقیم یادداشت‌های جلسه با ایجنت‌های اجرایی، نشان می‌دهد که صفحه‌کلید به‌تدریج جایگاه انحصاری خود را در محیط‌های کاری به گفت‌وگوی طبیعی و هوشمند واگذار می‌کند.