La latence vocale brise l'expérience des agents conversationnels. Scribe v2 Realtime d'ElevenLabs résout ce problème en transcrivant la parole sous les 150 ms avec un filtrage intelligent des hésitations et des données sensibles. Pour les entreprises, c'est l'assurance d'interactions vocales fluides, instantanées et parfaitement sécurisées. Le marché des technologies vocales continue d'accélérer en 2026. ElevenLabs avait lancé Scribe v2 Realtime le 11 novembre 2025, puis Scribe v2 pour les traitements par lots le 9 janvier 2026. Le retrait de scribe_v1 le 9 juillet 2026 impose désormais aux intégrations concernées de choisir le modèle récent adapté à leur usage : Scribe v2 Realtime pour le streaming ou Scribe v2 pour les fichiers enregistrés. Les mises à jour publiées au printemps 2026 ont renforcé l'intégration en production. Le WebSocket Realtime a reçu les paramètres keyterms et no_verbatim le 27 avril, les SDK les ont intégrés début mai, puis les clients JavaScript et React ont ajouté les commandes mute() et unmute() le 13 mai. Les mots-clés peuvent orienter la reconnaissance de termes métiers, tandis que le mode « No Verbatim » retire les mots de remplissage, faux départs et disfluences. Scribe appartient avant tout à l'offre ElevenAPI et à ElevenLabs Agents, tout en s'inscrivant dans l'écosystème plus large d' ElevenCreative . Cette évolution renforce la position d'ElevenLabs face aux API de transcription cloud et aux solutions auto-hébergeables. Son principal avantage est l'intégration directe avec ElevenLabs Agents et les autres briques vocales de la plateforme, sans pour autant supprimer la nécessité de comparer précision, latence totale, conformité, coûts et besoins de diarisation. La réduction du délai de transcription est l'un des moteurs de l'essor des agents vocaux. Lorsque les premiers mots apparaissent en quelques centaines de millisecondes, l'interface paraît moins mécanique et le système peut commencer à préparer la suite du traitement avant la fin complète du tour de parole. La valeur ne tient donc pas seulement au chiffre de 150 ms, mais à la façon dont le produit orchestre capture, endpointing, LLM et synthèse vocale. Le passage du batch au streaming change surtout la temporalité de l'expérience : l'application peut afficher, analyser ou transmettre le texte pendant que la personne parle. Le mode « No Verbatim » améliore la lisibilité, mais la protection des données sensibles reste une responsabilité d'architecture. Les entreprises n'ont pas à abandonner le batch : elles doivent choisir le temps réel pour l'interaction et conserver le traitement différé lorsque la diarisation, l'analyse ou la précision maximale priment.