Blog → Hướng dẫn

ElevenLabs Scribe v3: chuyển giọng nói thành văn bản tiếng Việt

DigiAgent TeamĐăng: 11 phút đọc
ElevenLabsScribe v3Chuyển giọng nói thành văn bảnPhụ đề videoCông cụ AI
ElevenLabs Scribe v3: chuyển giọng nói thành văn bản tiếng Việt

ElevenLabs Scribe v3 là mô hình AI chuyển giọng nói thành văn bản mới nhất của ElevenLabs. Mô hình nhận hơn 90 ngôn ngữ, có tiếng Việt, tách được tới 32 người nói, và có giá API 0,20 USD (khoảng 5.300 đồng) cho mỗi giờ âm thanh. Với doanh nghiệp nhỏ, đây là một cách rất rẻ để gỡ băng livestream, làm phụ đề video hay chép lại buổi phỏng vấn khách hàng. Điểm cần biết trước: ElevenLabs chưa công bố số đo riêng cho tiếng Việt của bản v3, nên bạn vẫn phải thử với file của chính mình. Bài này giải thích Scribe v3 làm được gì, cách dùng, tốn bao nhiêu tiền và đặt nó cạnh OpenAI, Deepgram, FPT.AI.

Mục lục

  1. Scribe v3 là gì?
  2. Scribe v3 có gì mới so với v2
  3. Tiếng Việt chính xác tới đâu
  4. 5 việc đội marketing làm được với chép lời AI
  5. Cách dùng Scribe v3 từng bước
  6. Giá Scribe v3 và chi phí tính bằng VND
  7. So sánh với OpenAI, Deepgram và FPT.AI
  8. Giới hạn và rủi ro cần biết
  9. Câu hỏi thường gặp
  10. Kết luận

Scribe v3 là gì?

ElevenLabs được biết nhiều nhất nhờ giọng đọc AI. Scribe làm việc theo chiều ngược lại: nghe file ghi âm hoặc video rồi viết ra chữ, kèm thời điểm của từng từ và nhãn người nói.

Trong bài tổng kết ElevenLabs Summit NYC ngày 11/11/2026, hãng gọi Scribe v3 là mô hình chuyển giọng nói thành văn bản mới nhất và chính xác nhất của mình. Ứng dụng ElevenAI vừa mở truy cập sớm miễn phí, dùng để đọc chính tả và ghi chép cuộc họp, cũng chạy trên Scribe v3.

Theo tài liệu mô hình của ElevenLabs, dòng này có hai bản chính:

  • Scribe v3 (mã scribe_v3): xử lý file đã ghi sẵn như video, podcast, bản ghi cuộc gọi. Đây là bản bạn sẽ dùng nhiều nhất.
  • Scribe v3 Live (mã scribe_v3_live): chép lời theo thời gian thực, dành cho trợ lý giọng nói hoặc phụ đề trực tiếp. Trang sản phẩm ghi độ trễ trung vị khoảng 150 mili giây.

Hãng còn có bản Scribe v3 Medical cho ngành y. Bạn dùng Scribe qua trang web của ElevenLabs (không cần lập trình) hoặc qua API (rẻ hơn nhiều, cần người biết kỹ thuật).

Scribe v3 có gì mới so với v2

Theo trang Speech to Text của ElevenLabs, Scribe v3 mắc ít hơn 27% lỗi từ so với Scribe v2 khi chạy trên bộ thử FLEURS gồm 102 ngôn ngữ. Tài liệu mô hình ghi tỷ lệ lỗi từ trung bình giảm từ 16,94% xuống 12,38%. ElevenLabs lưu ý con số này được tính theo từng đoạn rồi lấy trung bình theo ngôn ngữ, nên không đem so thẳng với số đo của hãng khác được.

Những điểm đáng chú ý cho người làm marketing:

  • Âm thanh trộn nhiều ngôn ngữ. Bản v3 thêm tham số khai báo ngôn ngữ phụ. Với video tiếng Việt chen nhiều từ tiếng Anh như "sale", "freeship", bạn khai báo cả hai ngôn ngữ để máy biết trước.
  • Từ khoá riêng. Bạn đưa trước tới 1.000 từ như tên thương hiệu, tên sản phẩm, tên người, mỗi từ tối đa 50 ký tự. Máy sẽ ưu tiên viết đúng những từ này.
  • Tách người nói. Tối đa 32 người trong một file, hữu ích khi chép lại buổi họp hoặc livestream có khách mời.
  • Xuất file. Tài liệu mô hình ghi Scribe v3 xuất được SRT (phụ đề), DOCX và PDF.
  • Che thông tin nhạy cảm. Trang sản phẩm ghi Scribe gắn nhãn được thực thể và che thông tin cá nhân nhạy cảm trong bản chép. Hãy thử xem tính năng này bắt đúng số điện thoại, địa chỉ tiếng Việt hay không.

Bản Live có thêm phần đoán lượt nói, tách người nói ngay trong lúc chép và thư viện từ khoá tới 10.000 từ.

Tiếng Việt chính xác tới đâu

Câu trả lời thật là chưa có số đo công khai riêng cho tiếng Việt của bản v3.

Tài liệu Speech to Text xếp tiếng Việt vào nhóm "Excellent", tức tỷ lệ lỗi từ không quá 5%, nhưng bảng này được đo với Scribe v2. Bản v3 được công bố là ít lỗi hơn v2 tính trung bình, nên nhiều khả năng tiếng Việt không kém đi. Hãng chưa đưa con số cụ thể.

Tỷ lệ lỗi 5% nghĩa là cứ 100 từ thì khoảng 5 từ sai. Giả sử người nói khoảng 150 từ mỗi phút, một video 3 phút có chừng 450 từ, tức khoảng 22 từ cần sửa. Con số này đủ tốt để làm bản nháp, chưa đủ để đăng thẳng mà không đọc lại.

Bạn cũng cần nhớ bộ thử FLEURS gồm những câu được đọc rõ ràng trong môi trường yên tĩnh. Âm thanh thật của doanh nghiệp khó hơn nhiều:

  • Livestream có nhạc nền, người bán nói nhanh, khách bình luận được đọc to xen vào.
  • Giọng miền Trung hoặc giọng địa phương đặc trưng, mà ElevenLabs không công bố số đo riêng.
  • Lỗi dấu thanh. "Giá" thành "già", "bán" thành "bạn" là kiểu lỗi làm sai nghĩa cả câu.
  • Tên thương hiệu viết kiểu tiếng Anh, mã sản phẩm, số tiền đọc tắt như "hai trăm rưỡi".

Cách tự kiểm tra trong 30 phút: chọn ba đoạn khoảng 5 phút: giọng người bán chính, đoạn có nhạc nền, đoạn có người nói giọng vùng khác. Chạy qua Scribe v3, đọc lại và lấy số từ sai chia cho tổng số từ. Dưới 5% là dùng được cho phụ đề sau một lượt đọc lại. Trên 10% thì thử thêm từ khoá hoặc đổi dịch vụ.

5 việc đội marketing làm được với chép lời AI

ViệcĐầu vàoĐầu raNên bật
Phụ đề video ngắnVideo TikTok, Reels, YouTubeFile SRTTừ khoá tên sản phẩm
Gỡ băng livestreamBản ghi livestream 1–2 giờVăn bản để viết blog, captionTách người nói
Phỏng vấn khách hàngGhi âm cuộc gọi, buổi gặpCâu chữ thật của kháchTách người nói, che thông tin
Biên bản họpGhi âm họp với khách, đối tácBiên bản, việc cần làmTách người nói
Tổng hợp cuộc gọi chăm sóc kháchGhi âm tổng đàiDanh sách câu hỏi hay gặpChe thông tin nhạy cảm

1. Phụ đề video ngắn. Phụ đề giúp người xem hiểu nội dung cả khi họ đang tắt tiếng. Xuất file SRT rồi nhập vào trình dựng video bạn đang dùng. Bước này ghép tốt với 5 cách làm video bằng AI phổ biến nhất hiện nay. Với video quảng cáo, đọc thêm phần quy định trong Video AI cho doanh nghiệp Việt.

2. Gỡ băng livestream. Một buổi livestream 2 giờ chứa nhiều câu trả lời cho câu hỏi thật của khách. Đừng dán nguyên văn bản chép lên web. Hãy chọn ý, sắp lại và viết theo giọng thương hiệu, như hướng dẫn trong bài viết blog chuẩn SEO bằng AI mà vẫn đúng brand voice.

3. Phỏng vấn khách hàng. Cách khách tự mô tả vấn đề của họ thường thuyết phục hơn câu quảng cáo do đội ngũ tự nghĩ. Chép lời 5–10 buổi phỏng vấn, đánh dấu những câu lặp lại, rồi đưa vào kho tri thức của doanh nghiệp. Bài Knowledge base là gì hướng dẫn cách sắp xếp kho này để AI dùng được.

4. Biên bản họp. Chép lời buổi họp rồi nhờ một công cụ AI tóm tắt và liệt kê việc cần làm. Nhớ báo trước cho người tham gia là bạn đang ghi âm.

5. Tổng hợp cuộc gọi chăm sóc khách. Chép lời một tuần cuộc gọi tổng đài sẽ cho bạn danh sách câu hỏi khách hỏi nhiều nhất, đầu vào tốt cho chatbot. Các bước tiếp theo có trong bài triển khai AI chăm sóc khách hàng cho doanh nghiệp Việt.

Cách dùng Scribe v3 từng bước

Cách 1: dùng trên web, không cần lập trình

  1. Tạo tài khoản ElevenLabs. Gói Free đủ để thử vài đoạn ngắn. Dùng cho kinh doanh thì chọn từ gói Starter, vì gói Free không ghi giấy phép thương mại.
  2. Mở công cụ Speech to Text và tải file âm thanh hoặc video lên.
  3. Chọn tiếng Việt thay vì để máy tự đoán ngôn ngữ.
  4. Bật tách người nói nếu file có từ hai người trở lên.
  5. Nếu có ô từ khoá, thêm tên thương hiệu, tên sản phẩm, tên người dẫn.
  6. Đọc lại, sửa lỗi, rồi xuất SRT cho phụ đề hoặc DOCX cho biên bản.

Tên nút và menu có thể đổi theo bản cập nhật, nên coi đây là thứ tự nên làm.

Cách 2: gọi API

Nếu đội bạn có người biết kỹ thuật, API rẻ hơn web rất nhiều (xem phần giá bên dưới). Theo tài liệu API, bạn gửi file tới một địa chỉ duy nhất, kèm khoá API trong phần header xi-api-key:

Terminal
curl -X POST https://api.elevenlabs.io/v1/speech-to-text \
  -H "xi-api-key: $XI_API_KEY" \
  -F "model_id=scribe_v3" \
  -F "file=@livestream-thang-11.mp3" \
  -F "language_code=vi" \
  -F "diarize=true" \
  -F "tag_audio_events=true" \
  -F "timestamps_granularity=word"

Vài điểm cần biết khi dùng API:

  • Mã ngôn ngữ nhận theo chuẩn ISO-639-1 hoặc ISO-639-3, tức vi hoặc vie cho tiếng Việt.
  • File phải nhỏ hơn 5 GB. Ở chế độ thường, mỗi file dài tối đa 15 giờ.
  • Bật danh sách từ khoá sẽ tốn thêm phí.

Giá Scribe v3 và chi phí tính bằng VND

Giả định: 1 USD = 26.300 đồng. Giá lấy từ trang chính thức của ElevenLabs ngày 12/11/2026, chưa gồm thuế.

Dùng trên web, theo gói tháng. Theo bảng giá ElevenLabs, mỗi phút chép lời tốn 330 credit. Trang Speech to Text quy ra thời lượng như sau:

GóiGiá mỗi thángThời lượng chép lờiQuy ra VND/tháng
Free0 USD12 phút0 đ
Starter6 USD (tháng đầu 1 USD)1 giờ 31 phútkhoảng 157.800 đ
Creator22 USD (tháng đầu 11 USD)6 giờ 7 phútkhoảng 578.600 đ
Pro99 USD30 giờ 18 phútkhoảng 2.603.700 đ

Credit trong gói dùng chung cho các tính năng khác của ElevenLabs. Nếu bạn còn làm giọng đọc AI, thời lượng chép lời thực tế sẽ ít hơn bảng trên.

Dùng qua API, trả theo giờ. Bảng giá API ghi Scribe v3 giá 0,20 USD mỗi giờ âm thanh, khoảng 5.260 đồng. Bản Live là 0,22 USD mỗi giờ, khoảng 5.790 đồng. Bật từ khoá cộng thêm 0,05 USD mỗi giờ.

Tính ra, gói Creator rơi vào khoảng 94.600 đồng cho mỗi giờ chép lời, còn API chỉ khoảng 5.260 đồng. Chênh lệch gần 18 lần.

Ví dụ một đội marketing nhỏ. Mỗi tháng có 4 buổi livestream, mỗi buổi 2 giờ, cộng 4 buổi phỏng vấn hoặc họp với khách, mỗi buổi 1 giờ. Tổng cộng 12 giờ ghi âm.

Cách làmChi phí công cụCông gõ hoặc rà soátTổng ước tính
Nhân viên tự gõ0 đ48 giờ, khoảng 4.080.000 đkhoảng 4.080.000 đ
Web, gói Prokhoảng 2.603.700 đ6 giờ, khoảng 510.000 đkhoảng 3.113.700 đ
API Scribe v3, có từ khoá3 USD, khoảng 78.900 đ6 giờ, khoảng 510.000 đkhoảng 588.900 đ

Giả định của bảng: tự gõ mất khoảng 4 giờ cho 1 giờ ghi âm; đọc lại và sửa bản AI mất khoảng 30 phút cho 1 giờ ghi âm; giờ công 85.000 đồng, tính từ lương 15 triệu đồng chia 176 giờ làm mỗi tháng. Gói Creator chỉ có hơn 6 giờ nên không đủ cho 12 giờ, vì vậy bảng dùng gói Pro.

Khi đã dùng AI, khoản tốn nhất là công người đọc lại, không phải tiền công cụ. Thêm từ khoá và chọn đúng ngôn ngữ giúp bản chép ít lỗi ngay từ đầu.

So sánh với OpenAI, Deepgram và FPT.AI

Giá dưới đây lấy từ trang chính thức của từng hãng ngày 12/11/2026, cùng tỷ giá 26.300 đồng.

Dịch vụGiá công bốQuy ra VND/giờTiếng Việt và ghi chú
ElevenLabs Scribe v30,20 USD/giờkhoảng 5.260 đCó. File tới 5 GB, tách 32 người nói
OpenAI gpt-transcribe0,0045 USD/phútkhoảng 7.100 đTrang hướng dẫn không liệt kê từng ngôn ngữ. File tối đa 25 MB
Deepgram Nova-30,0043 USD/phútkhoảng 6.790 đCó (mã vi). Tặng 200 USD dùng thử
FPT.AI Speech to Text1.400.000 đ/2.000 phútkhoảng 42.000 đCông ty Việt. Dùng thử 60 phút mỗi năm

OpenAI. Trang hướng dẫn của OpenAI khuyên dùng gpt-transcribe cho file ghi sẵn. Bảng giá có bản gpt-4o-mini-transcribe rẻ hơn (0,003 USD/phút), nhưng các mô hình cũ gồm whisper-1, gpt-4o-transcribe và gpt-4o-mini-transcribe sẽ ngừng hoạt động ngày 26/2/2027. Giới hạn 25 MB mỗi file nghĩa là livestream dài phải cắt thành nhiều đoạn.

Deepgram. Theo bảng giá Deepgram, Nova-3 có giá 0,0043 USD/phút cho âm thanh một ngôn ngữ và 0,0052 USD/phút (khoảng 8.210 đồng/giờ) cho chế độ nhiều ngôn ngữ. Danh sách ngôn ngữ có tiếng Việt. Khoản 200 USD dùng thử không cần thẻ rất tiện để so sánh.

FPT.AI. Bảng giá FPT.AI có gói 2.000 phút giá 1.400.000 đồng, 5.000 phút giá 3.100.000 đồng và 10.000 phút giá 5.400.000 đồng (khoảng 32.400 đồng/giờ). Trên 10.000 phút phải liên hệ. Giá cao hơn các hãng quốc tế nhiều lần. Đổi lại, giá niêm yết bằng VND và có hỗ trợ qua hotline 1900 638 399.

Chưa có bộ đo độc lập nào so sánh bốn dịch vụ này trên tiếng Việt thật. Cách công bằng nhất là chạy cùng ba đoạn ghi âm qua hai hoặc ba dịch vụ, đếm lỗi như hướng dẫn ở phần trên, rồi mới chọn.

Giới hạn và rủi ro cần biết

  • Chưa có số đo tiếng Việt cho v3. Nhóm "Excellent" là xếp hạng của bản v2. Đừng coi lời hứa "chính xác nhất" là đúng với giọng của khách hàng bạn.
  • Thông tin của ElevenLabs chưa thống nhất. Tài liệu ghi hơn 90 ngôn ngữ, có chỗ ghi 99. Trang tiếng Việt của ElevenLabs còn ghi số đo của Scribe v1 và giá 0,40 USD/giờ. Khi lập ngân sách, lấy bảng giá API làm chuẩn.
  • Gói Free không dùng cho kinh doanh được. Giấy phép thương mại bắt đầu từ gói Starter.
  • Scribe không dịch. Máy ghi lại đúng ngôn ngữ đang nói. Muốn có phụ đề tiếng Anh cho video tiếng Việt, bạn cần thêm một bước dịch.
  • Ghi âm khách hàng là dữ liệu cá nhân. Giọng nói, tên, số điện thoại, địa chỉ trong cuộc gọi đều là thông tin cá nhân. Hãy báo và xin đồng ý trước khi ghi âm, cho khách biết bạn dùng dịch vụ nước ngoài để xử lý, bật tính năng che thông tin nhạy cảm và xoá file khi không còn cần.
  • AI vẫn sai số và tên riêng. Phụ đề ghi sai giá khuyến mãi dễ gây phiền phức. Luôn đọc lại đoạn có số tiền và tên sản phẩm trước khi đăng.
  • Phụ thuộc nhà cung cấp. Giá và mô hình đổi nhanh. Giữ file ghi âm gốc để chép lại bằng dịch vụ khác khi cần.

Câu hỏi thường gặp

Scribe v3 có miễn phí không?

Có một phần. Gói Free có 10.000 credit mỗi tháng, khoảng 12 phút chép lời theo trang Speech to Text, đủ để thử chất lượng tiếng Việt. Dùng cho kinh doanh thì cần từ gói Starter (6 USD/tháng) hoặc trả theo giờ qua API.

Scribe v3 có nghe được giọng miền Trung, miền Nam không?

ElevenLabs không công bố kết quả riêng theo vùng miền. Tài liệu chỉ xếp tiếng Việt nói chung vào nhóm lỗi không quá 5%, đo với bản v2. Hãy thử với ghi âm thật của người bán và khách hàng của bạn.

Scribe v3 có dịch tiếng Việt sang tiếng Anh không?

Không. Theo tài liệu của ElevenLabs, Scribe ghi lại lời nói đúng bằng ngôn ngữ được nói và không dịch. Bạn chép lời tiếng Việt trước, rồi dùng một công cụ dịch hoặc mô hình AI khác để dịch bản chép.

Không biết lập trình có dùng được Scribe v3 không?

Được. Bạn tải file lên công cụ Speech to Text trên web, chọn tiếng Việt, rồi xuất SRT hoặc DOCX. Tính trên mỗi giờ chép lời, gói tháng đắt hơn API khoảng 18 lần, nhưng nếu mỗi tháng chỉ vài giờ thì dùng web vẫn hợp lý.

Nên chọn Scribe v3 hay FPT.AI?

Nếu ưu tiên giá, Scribe v3 qua API rẻ hơn nhiều lần. Nếu cần hợp đồng và hỗ trợ trong nước, FPT.AI dễ làm việc hơn. FPT.AI cho dùng thử 60 phút mỗi năm, ElevenLabs có gói Free, nên hãy chạy cùng một bộ file qua cả hai trước khi quyết định.

Kết luận

Scribe v3 đưa chi phí chép lời xuống mức gần như không đáng kể: khoảng 5.300 đồng cho một giờ âm thanh qua API. Với đội marketing nhỏ, điều đó có nghĩa là các buổi livestream và cuộc gọi với khách đều có thể thành văn bản để dùng lại. Giới hạn vẫn còn đó. Chưa có số đo tiếng Việt cho bản v3, web đắt hơn API nhiều, và bản chép nào cũng cần người đọc lại trước khi đăng.

Việc nên làm tuần này: chọn ba đoạn ghi âm thật, chạy thử trên gói Free, đếm lỗi và quyết định có dùng tiếp hay không. Khi đã có bản chép lời, phần còn lại là biến nó thành bài viết và caption. Nếu bạn muốn có một trợ lý marketing AI dành cho doanh nghiệp Việt đồng hành ở bước đó, có thể dùng thử 7 ngày DigiAgent với 3.000 Digi, không cần thanh toán trước.

Bạn muốn thử DigiAgent?

Đặt lịch demo