ElevenLabs công bố hướng dẫn tích hợp API phiên âm cuộc họp ngày 8/10/2026, giới thiệu hai hướng triển khai với Scribe v2 và Scribe v2 Realtime. Với đội phát triển sản phẩm, điểm chính là lựa chọn giữa phụ đề trong lúc họp và xử lý bản ghi sau khi kết thúc, thay vì coi mọi nhu cầu ghi chép là một tác vụ giống nhau.
Theo hướng dẫn về API phiên âm cuộc họp của ElevenLabs, ứng dụng gửi âm thanh đến dịch vụ để nhận văn bản, phục vụ ghi chép, tìm kiếm và kết nối với quy trình nội bộ. Đây là tài liệu hướng dẫn tích hợp, không phải thông báo ra mắt hai mô hình mới.
Hai đường xử lý cho hai thời điểm sử dụng
Scribe v2 Realtime được giới thiệu cho luồng âm thanh trực tiếp. Ứng dụng duy trì kết nối và nhận kết quả khi người tham gia đang nói. Cách này phù hợp với phụ đề trong cuộc họp hoặc trợ lý cần tiếp nhận nội dung ngay trong phiên trao đổi.
Scribe v2 xử lý bản ghi âm theo dạng batch, tức gửi tệp để phiên âm sau đó. Hướng này phù hợp hơn khi sản phẩm chỉ cần bản chép lời để lưu trữ, tìm kiếm hoặc làm đầu vào cho công đoạn tạo ghi chú sau cuộc họp.
Khác biệt quan trọng nằm ở thời điểm cần kết quả. Nếu người dùng cần đọc phụ đề ngay, xử lý sau cuộc họp không đáp ứng được. Ngược lại, sản phẩm chỉ phục vụ tra cứu bản ghi không nhất thiết phải duy trì luồng phiên âm trực tiếp.
ElevenLabs cho biết các mô hình hỗ trợ hơn 90 ngôn ngữ. Tuy nhiên, phạm vi hỗ trợ ngôn ngữ không tự chứng minh độ chính xác trong từng cuộc họp, nhất là khi có tiếng ồn, thuật ngữ chuyên ngành hoặc nhiều người nói xen kẽ.
Mốc 150 ms cần được hiểu đúng
Trong tài liệu, ElevenLabs nêu độ trễ 150 ms cho Scribe v2 Realtime, gắn với kết quả phiên âm từng phần. Đây là thông số do nhà cung cấp công bố, không phải phép đo độc lập về toàn bộ trải nghiệm trong một ứng dụng cụ thể.
Một hệ thống thực tế còn phải thu âm, truyền dữ liệu, nhận phản hồi và hiển thị văn bản. Vì vậy, thông số của mô hình không đồng nghĩa người dùng luôn nhìn thấy phụ đề hoàn chỉnh sau đúng 150 ms.
Kết quả từng phần cũng khác bản chép lời đã được chốt. Nội dung đang hiển thị có thể cần cập nhật khi hệ thống nhận thêm âm thanh. Với sản phẩm dùng văn bản để kích hoạt hành động, sự phân biệt này ảnh hưởng trực tiếp đến thời điểm xử lý.
Chẳng hạn, nhận một cụm từ trong cuộc họp chưa đủ để xác định đó là quyết định cuối cùng. Người nói có thể sửa ý hoặc đưa ra điều kiện ở câu tiếp theo. Lớp phiên âm cung cấp dữ liệu; việc diễn giải và thực hiện công việc thuộc lớp ứng dụng phía sau.
API không phải toàn bộ trợ lý họp
Hướng dẫn mô tả việc mở kết nối WebSocket, gửi âm thanh và xử lý các sự kiện trả về. Điều đó cho thấy API là một thành phần trong kiến trúc sản phẩm, không phải toàn bộ quy trình tham gia cuộc họp, ghi âm và tạo biên bản.
Đội phát triển vẫn cần giải quyết nguồn âm thanh, quyền truy cập, thông báo cho người tham gia và nơi lưu kết quả. Không thể chỉ từ khả năng chuyển giọng nói thành văn bản mà suy ra hệ thống đã có bot tự tham gia mọi nền tảng họp.
Đây cũng là ranh giới được đặt ra trong bài về nhân viên tự xây ứng dụng AI và bài toán quản trị: tạo được bản mẫu không đồng nghĩa đã có một ứng dụng đủ điều kiện vận hành với dữ liệu doanh nghiệp.
ElevenLabs đưa ra ví dụ tạo token dùng một lần ở phía máy chủ để ứng dụng phía người dùng gửi âm thanh mà không lộ khóa API chính. Cách tổ chức này tách thông tin xác thực của dịch vụ khỏi phần mềm chạy trên thiết bị người dùng, nhưng không thay thế việc xác thực người dùng và kiểm soát quyền trong sản phẩm.
Bản chép lời là nguồn dữ liệu, không phải biên bản đã xác nhận
ElevenLabs mô tả đầu ra phiên âm cuộc họp với mốc thời gian và nhãn người nói. Những thành phần này có thể hỗ trợ truy lại đoạn trao đổi, nhưng nhãn phân biệt giọng nói không tự xác nhận danh tính thật của từng người.
Bản chép lời cũng khác bản tóm tắt. Phiên âm ghi lại lời nói; tóm tắt chọn lọc và diễn giải nội dung. Nếu ứng dụng tạo danh sách việc cần làm, nó cần phân biệt đề xuất, cam kết và quyết định đã được thống nhất, thay vì biến mọi câu nói thành nhiệm vụ.
Khi dữ liệu được đưa vào trợ lý nội bộ, việc giữ nguồn và trạng thái thông tin trở nên quan trọng. Bài về quản lý ngữ cảnh khi AI làm việc dài hạn giải thích thêm vì sao hệ thống cần lưu đúng quyết định và dữ liệu qua nhiều phiên làm việc.
Mốc thời gian còn có giá trị ngoài ghi chú cuộc họp. Trong quy trình AI cắt video dài thành clip ngắn, bản chép lời có thể giúp định vị đoạn cần xem lại. Dù vậy, việc chọn đoạn và kiểm tra ngữ cảnh vẫn là công đoạn riêng.
Quyền riêng tư và chi phí còn phụ thuộc triển khai
ElevenLabs cho biết có chế độ Zero Retention dành cho khách hàng doanh nghiệp. Thông tin này không có nghĩa mọi tài khoản hoặc mọi cấu hình mặc định đều được áp dụng cùng điều kiện lưu giữ dữ liệu.
Ngay cả khi nhà cung cấp không lưu nội dung theo một chế độ nhất định, ứng dụng vẫn có thể lưu âm thanh, bản chép lời hoặc nhật ký ở hệ thống riêng. Đánh giá quyền riêng tư vì thế phải bao quát cả đường đi của dữ liệu, không chỉ một tùy chọn của API.
Tài liệu cũng so sánh xử lý trực tiếp và batch về chi phí, độ chính xác. Tuy nhiên, bài hướng dẫn không đủ để kết luận một phương án luôn rẻ hơn hoặc chính xác hơn trong mọi triển khai. Kết quả còn phụ thuộc cấu hình, chất lượng bản ghi và yêu cầu sản phẩm.
Thông tin được công bố làm rõ hai đường tích hợp và cơ chế truyền âm thanh. Những yếu tố như tổng chi phí vận hành, chất lượng trên cuộc họp tiếng Việt và độ trễ đầu cuối vẫn cần được đánh giá trên dữ liệu thực tế của từng ứng dụng.