Resumo / Pontos-chave
- O Scribe v2 é o modelo de transcrição em lote da ElevenLabs; o Scribe v2 Realtime processa áudio ao vivo em cerca de 150ms.
- Preço da API: US$ 0,22 por hora de áudio para o Scribe v2, US$ 0,39 para o Realtime, em todos os planos.
- Recursos: mais de 90 idiomas, etiquetas para até 32 falantes, carimbos de data/hora por palavra, keyterm prompting, tags de eventos de áudio.
- Arquivos de até 3 GB e 10 horas; MP3, WAV, M4A, MP4, MOV e muitos outros formatos aceitos.
- No aplicativo web, a transcrição consome 330 créditos por minuto do seu plano.
Resposta curta: O ElevenLabs converte áudio e vídeo em texto com seus modelos Scribe. O Scribe v2 processa arquivos enviados, incluindo MP3, em mais de 90 idiomas, identifica até 32 falantes e adiciona carimbos de data/hora por palavra. Através da API, custa US$ 0,22 por hora de áudio (US$ 0,39 para o Scribe v2 Realtime), e no aplicativo web consome 330 créditos por minuto do seu plano. Os arquivos podem ter até 3GB e 10 horas de duração.
Como verificamos: recursos, limites e preços vêm da página de speech to text do ElevenLabs, página de preços da API e documentação de speech to text, todos verificados em elevenlabs.io em 1 de novembro de 2026. Não realizamos nosso próprio teste de precisão. Alguns links são links de afiliados: se você se inscrever, o ElevenLabs pode nos pagar uma comissão sem custo adicional para você.
Os modelos Scribe
| Model | Use | API price per audio hour | Notes |
|---|---|---|---|
| Scribe v2 | Batch transcription of files | $0.22 | 90+ languages, diarization, timestamps, keyterms, entity detection |
| Scribe v2 Realtime | Live audio, agents, meetings | $0.39 | About 150ms latency, word-level timestamps, voice activity detection |
| Scribe v2 Medical | Clinical audio | $0.22 | HIPAA-eligible with BAAs and Zero Retention Mode |
Complementos também são cobrados por hora: o uso de keyterm prompting custa US$ 0,05 por hora no Scribe v2 e US$ 0,08 no Realtime, e a edição de transcrição com instruções em linguagem natural custa US$ 0,07 e US$ 0,12. O silêncio conta para o tempo faturado, portanto, cortar longas pausas antes do upload economiza dinheiro.
Uma inconsistência a destacar: o FAQ na página de speech-to-text do ElevenLabs ainda diz que o Scribe começa "a partir de US$ 0,40 por hora", enquanto a tabela de preços da API e seu FAQ dizem US$ 0,22. Usamos o valor da tabela de preços; verifique a página ao vivo antes de orçar um trabalho grande.
O que o Scribe v2 pode fazer
- Mais de 90 idiomas, com detecção inteligente de idioma.
- Diarização de falantes para até 32 falantes, para que entrevistas e reuniões sejam entregues com os participantes identificados.
- Carimbos de data/hora por palavra para legendas e subtítulos.
- Keyterm prompting com até 1.000 palavras ou frases, útil para nomes, produtos e jargões.
- Marcação dinâmica de áudio de eventos que não são fala, como risadas ou passos.
- Detecção e ocultação de entidades de informações confidenciais através da API.
- Modo multicanal para até 5 canais, cada um atribuído ao seu próprio falante.
- Webhooks para que arquivos longos possam ser processados de forma assíncrona.
Como transformar um MP3 ou vídeo em texto
- No aplicativo: faça login no ElevenLabs, abra a Transcrição (speech to text), envie seu arquivo MP3, WAV, MP4 ou outro, escolha o idioma ou deixe na detecção automática e baixe a transcrição ou exporte as legendas.
- Através da API: crie uma chave de API e envie o arquivo para o endpoint de Speech to Text com o
model_iddefinido comoscribe_v2. A resposta inclui o texto, o idioma detectado, as palavras com carimbos de data/hora e um ID de falante para cada palavra.
Os formatos de áudio aceitos são AAC, AIFF, OGG, MP3, OPUS, WAV, FLAC, M4A e WebM. Os formatos de vídeo são MP4, AVI, MKV, MOV, WMV, FLV, WebM, MPEG e 3GPP.
Limites
| Limit | Value |
|---|---|
| Max file size | 3GB |
| Max duration (standard mode) | 10 hours |
| Speakers labelled | Up to 32 |
| Multichannel | Up to 5 channels |
| Keyterms | Up to 1,000 |
| Concurrent transcriptions | 8 Free, 12 Starter, 20 Creator, 40 Pro, 60 Scale and Business |
Quanto de transcrição cada plano inclui
| Plan | Price | In the app (330 credits a minute) | Through the API (Scribe v2) |
|---|---|---|---|
| Free | $0 | 12 minutes (as listed) | about 4.5 hours |
| Starter | $6 | about 1 hour 31 minutes | 27 hours |
| Creator | $22 | about 6 hours 7 minutes | 100 hours |
| Pro | $99 | about 30 hours 18 minutes | 450 hours |
| Scale | $299 | about 90 hours | 1,359 hours |
| Business | $990 | about 303 hours | 4,500 hours |
A diferença entre as duas colunas é real: a API precifica a transcrição em US$ 0,22 por hora, enquanto o aplicativo gasta os mesmos créditos que você usa para fala. Se você transcreve muito, chamar a API (ou uma ferramenta construída sobre ela) oferece muito mais horas por dólar. No aplicativo, os créditos também cobrem text to speech, então muita transcrição deixa menos para locuções.
Precisão: o que o ElevenLabs e outros dizem
A ElevenLabs afirma ter mais de 98% de precisão na transcrição com o Scribe v2 e publica gráficos comparando-o favoravelmente com os modelos da OpenAI, Google e Deepgram. Também publica as taxas de erro de palavra esperadas por idioma, desde 5% ou menos para o seu nível superior até 20% a 50% para os idiomas com menor desempenho. Avaliadores independentes são mais cautelosos: o DiscoverAI argumenta que a precisão depende dos seus alto-falantes, ruído e terminologia, e recomenda realizar testes de benchmark com o seu próprio áudio. O Telenow observa que o Scribe é exclusivo para nuvem, sem opção de hospedagem própria ou air-gapped.
Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.
um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros
Para quem é indicado
- Podcasters e criadores de vídeo que desejam legendas e transcrições na mesma ferramenta que usam para suas locuções.
- Desenvolvedores que criam agentes de voz ou ferramentas de reunião que precisam de transcrição em tempo real.
- Equipes que transcrevem muitos idiomas ou áudios clínicos com o modelo Medical e um BAA.
Se você deseja principalmente editar uma gravação editando sua transcrição, o Descript foi criado em torno desse fluxo de trabalho. Para todo o resto, vale a pena testar o Scribe no plano gratuito antes de se comprometer.
Perguntas frequentes
A ElevenLabs consegue converter MP3 para texto?
Sim. O Scribe aceita MP3, além de arquivos de áudio AAC, AIFF, OGG, OPUS, WAV, FLAC, M4A e WebM, e arquivos de vídeo MP4, MOV, MKV, AVI e outros. Faça o upload no aplicativo web ou envie o arquivo para a API de Speech to Text.
Quanto custa o speech to text da ElevenLabs?
Através da API, o Scribe v2 custa US$ 0,22 por hora de áudio e o Scribe v2 Realtime custa US$ 0,39. O uso de keyterm prompting adiciona US$ 0,05 por hora (US$ 0,08 no Realtime). No aplicativo, a transcrição consome 330 créditos por minuto do seu plano.
O speech to text da ElevenLabs é gratuito?
O plano gratuito inclui alguma transcrição: a página de speech-to-text lista 12 minutos por mês no aplicativo, e a página de preços da API lista cerca de 4,5 horas de Scribe v2 para uso gratuito da API. A saída do plano gratuito não pode ser usada comercialmente.
O ElevenLabs Scribe identifica diferentes falantes?
Sim. O Scribe v2 rotula até 32 falantes (diarização de falantes) e retorna carimbos de data/hora no nível da palavra. O modo multicanal também pode atribuir falantes por canal de áudio, até 5 canais.
Quantos idiomas o ElevenLabs Scribe suporta?
A ElevenLabs afirma suportar mais de 90 idiomas, agrupados pela taxa de erro esperada. Inglês, espanhol, francês, alemão, japonês, italiano e português estão entre os que compõem o seu melhor nível (taxa de erro de palavra de 5% ou menos).
Qual é o tamanho máximo de arquivo para a transcrição da ElevenLabs?
3 GB por arquivo e até 10 horas de áudio no modo padrão, de acordo com a documentação da ElevenLabs.