بطاقة عنوان نصها «Scribe v3 مقابل MAI Transcribe 2» مع عنوان فرعي «الدقة أم الإنتاجية — اختر عنق الزجاجة لديك»، إلى جانب زوجين من الأعمدة موسومين بـ«الدقة (AA-WER)» عند 1.95% و2.04% و«السرعة (× الزمن الحقيقي)» عند 76.8× و338.5× الأطول بكثير، مع تذييل نصه «جميع الأرقام وفق Artificial Analysis، AA-WER v2.2، غير متدفّق».
Guides & Insights

Scribe v3 مقابل MAI Transcribe 2: 0.09 نقطة وفجوة سرعة تبلغ 4.4 أضعاف

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

ضع ElevenLabs Scribe v3 وMAI-Transcribe-2 على منصة اختبار واحدة، وسينتهيان بفارق 0.09 نقطة مئوية في معدل خطأ الكلمات — 1.95% مقابل 2.04% على مؤشر AA-WER غير التدفقي لدى Artificial Analysis. ضعهما على مقعد قياس إنتاجية واحد، وسينهي أحدهما نفس الساعة من الصوت في نحو ربع زمن الحائط. تشير هاتان الحقيقتان في اتجاهين متعاكسين، وأيّهما تتبع يعتمد على سؤال لا تطرحه معظم مقارنات النسخ: هل عنق الزجاجة لديك هو الكلمات أم الساعة؟ Scribe v3 هو النموذج الأكثر دقة بفارق ستصعب عليك ملاحظته في الإنتاج. MAI-Transcribe-2 أسرع بـ4.4× ونصف السعر. هذه الصفحة عن أيهما يجب أن تدفع ثمنه فعلاً.

ابدأ بالمدونة اللغوية التي تشبه صوتك.

فجوة مركبة قدرها 0.09 نقطة هي متوسط، والمتوسط يخفي انعكاسًا. في مجموعة Earnings-22 التابعة لـ Artificial Analysis — صوت هاتفي عفوي ذو لكنات ومتعدد المتحدثين، وهي أقرب ما في لوحة النتائج إلى مكالمة مبيعات حقيقية — تحقق MAI-Transcribe-2 نسبة 2.99% وتحقق Scribe v3 نسبة 3.34%. تفوز Microsoft في تلك المجموعة بفارق 0.35 نقطة، أي أربعة أضعاف حجم الفجوة المركبة، وفي الاتجاه المعاكس. وفي مجموعة الكلام المقروء الأساسية، تفوز Scribe v3 بنتيجة 1.47% مقابل 1.83%. وفي VoxPopuli، وهو كلام برلماني، تكون النتيجة 1.52% مقابل 1.50% — تعادل تام ضمن حدود الضجيج.

إذن، عبارة «Scribe v3 أكثر دقة» هي عبارة عن متوسط، ولا يكون المتوسط ذا معنى إلا إذا كان صوتك متوسطًا من الكتب الصوتية والبرلمان والمكالمات الجماعية. أما أحمال عمل مراكز الاتصال والوكلاء الصوتيين فليست كذلك؛ فهي على شكل Earnings-22، وعلى تلك المجموعة ينقلب الترتيب. أما أحمال عمل البودكاست والأرشيف الإعلامي فهي على شكل الكلام المقروء، وعليها تكون ميزة Scribe v3 حقيقية وأكبر مما يوحي به المؤشر المركب.

Two-column scoreboard card titled 'Scribe v3 vs MAI-Transcribe-2: the scoreboard', with six identical rows per column — AA-WER composite, AA-WER on earnings calls, median speed factor, price per 1,000 minutes, documented languages and verbatim mode — showing ElevenLabs Scribe v3 at 1.95%, 3.34%, 76.8x, $3.33, 90+ and none, and Microsoft MAI-Transcribe-2 at 2.04%, 2.99%, 338.5x, $1.67 introductory, 60 and yes, over a footer separating Artificial Analysis figures from vendor list prices.

كلا مجموعتي الأرقام هما قياسات أجرتها Artificial Analysis على أداة اختبار موحّدة، وهذا هو السبب الوحيد الذي يجعل المقارنة جديرة بالاهتمام أصلاً. فمادة الإطلاق الخاصة بأي من المورّدين لا يمكن مقارنتها بمادة الآخر: إذ تُبلغ ElevenLabs عن زيادة نسبية بنسبة 27% في FLEURS مقارنةً بـ Scribe v2 على 102 لغة، بينما تُبلغ Microsoft عن متوسط 5.2% في FLEURS عبر 60 لغة، ويُحسب هذان الرقمان على مجموعتَي لغات مختلفتين وبطريقة averaging مختلفة. ولوحة الطرف الثالث هي المكان الوحيد الذي يلتقي فيه الطرازان على قدم المساواة.

إن 4.4× هو الرقم الذي يغيّر الهندسة المعمارية

الإنتاجية هي النقطة التي يتوقف عندها النموذجان عن الظهور كبديلين لبعضهما. يعمل MAI-Transcribe-2 بمعامل سرعة وسيط قدره 338.5 على منصة اختبار Artificial Analysis؛ بينما يعمل Scribe v3 بمعامل 76.8. وكلاهما أسرع بكثير من الزمن الفعلي — فـ Scribe v3 ينجز ساعة من الصوت في أقل من دقيقة — لذا في مهمة دُفعات ليلية تملأ أرشيف بودكاست، يكون الفرق غير مرئي. أما في أي استخدام تفاعلي فليس الأمر كذلك.

Screenshot of the Microsoft Learn page for MAI-Transcribe in Azure Speech, with body text describing MAI-Transcribe as a next-generation speech-to-text model built in-house by the Microsoft AI team that transcribes across 60 languages and serves video captioning, meetings, clinical notes, call-centre documentation, accessibility tools, content creation and voice agents, above the Foundry portal, REST API and SDK language tabs.

تخيّل وكيلاً صوتيًا يحتاج إلى نص مكتوب قبل أن يقرر ما سيقوله بعد ذلك. عند 76.8×، تستغرق ساعة من الصوت 47 ثانية من الحوسبة. هذا مناسب عندما يكون الصوت تسجيلًا مكتملًا، وغير مجدٍ عندما يصل الصوت مباشرةً، ولهذا تبيع ElevenLabs نموذجًا منفصلًا للوقت الفعلي لهذه المهمة بدلًا من الإشارة إلى النموذج الدفعي. وحل Microsoft هو SKU منفصل للبث أيضًا. لا يُعدّ النموذج الدفعي لدى أي من المورّدين الأداة المناسبة للصوت المباشر؛ فرقم الإنتاجية يهم في حالة مختلفة — خطوط معالجة غير متزامنة عالية الحجم حيث تعالج آلاف الساعات يوميًا وتكون قائمة الانتظار، لا المتصل، هي التي تنتظر.

عند 10,000 ساعة شهريًا، يتطلب تسريع 76.8× نحو 130 ساعة من الحوسبة، بينما يتطلب تسريع 338.5× نحو 30 ساعة. هذا هو الفرق بين عنقود تستأجره بالساعة وآخر بالكاد تلاحظه. وهو أيضًا الفرق بين عملية تعبئة خلفية تنتهي خلال الليل وأخرى تنتهي على مدى عطلة نهاية الأسبوع.

السعر: معامل قدره اثنان، مع تاريخ انتهاء صلاحية

على سعر القائمة، تكون الفجوة أوضح من فجوة الدقة. {{1}}تبلغ تكلفة MAI-Transcribe-2 0.10 دولار لكل ساعة صوت، أو 1.67 دولار لكل 1000 دقيقة.{{/1}} {{2}}تبلغ تكلفة Scribe v3 0.20 دولار لكل ساعة صوت بعد تخفيض ElevenLabs في 17 نوفمبر، أو 3.33 دولار لكل 1000 دقيقة.{{/2}} أي ضعفًا تمامًا، في الطرفين.

سعر Microsoft يحمل قيدًا ينبغي أن يتضمنه أي نموذج ميزانية مبني عليه: فسعر $0.10 في الساعة هو عرض تعريفي سارٍ حتى نهاية 2026، ولم تنشر Microsoft السعر القياسي الذي يليه. وخطة لعام 2027 مثبّتة عند $1.67 لكل 1000 دقيقة هي خطة يتضمنها بند بلا سعر. أما سعر ElevenLabs فهو سعر القائمة الثابت بعد خفض، وليس عرضًا ترويجيًا، مما يجعله الرقم الأكثر قابلية للدفاع عنه في نموذج متعدد السنوات، رغم أنه الأعلى اليوم.

ثمة تكلفتان أخريان تقعان خارج السعر الرئيسي، وكلتاهما تصبّان في صالح ElevenLabs. إذ يُحتسب التلقين بالكلمات المفتاحية في Scribe v3 بسعر 0.05 دولار في الساعة إضافةً إلى السعر الأساسي؛ وتحرير النص المنسوخ بسعر 0.07 دولار. أما مايكروسوفت فتدمج ترجيح الكلمات المفتاحية ضمن استدعاء النسخ. كما يغطي سعر ElevenLabs بالساعة فصل المتحدثين واكتشاف الكيانات والطوابع الزمنية للكلمات في التمريرة نفسها، بينما تقيس مايكروسوفت الاستهلاك عبر موارد Azure Speech حيث تكون للخدمات المحيطة بنود تكلفة خاصة بها. مضاعف الضعفين حقيقي، لكنه حدّ أدنى للفجوة لا حدّ أقصى.

الميزات التي يختلفان فيها فعليًا

• وضع النص الحرفي — يتوفر في MAI-Transcribe-2، كمفتاح للتبديل بين النص الحرفي وأنماط الإخراج النظيف. أما Scribe v3 فلا يتوفر فيه ذلك؛ وتوثّق ElevenLabs أنه "لا يوجد وضع للنص الحرفي" في هذا الطراز. بالنسبة لتسجيل الامتثال وتقييم ضمان الجودة وأي حالة تكون فيها البداية الخاطئة دليلاً، يُعد ذلك متطلبًا صارمًا، وهو وحده يحسم الاختيار.

• اتساع اللغات — Scribe v3 موثّق بدعم أكثر من 90 لغة؛ وMAI-Transcribe-2 بدعم 60 لغة، مع نشر جدول دعم لكل لغة، وتحديد اللغة التلقائي مفعّل افتراضيًا. تُدرج ElevenLabs أسماء اللغات، لكن تفصيل الدقة لديها أضيق من ادعاء التغطية.

• تمييز المتحدثين — يدعم Scribe v3 حتى 32 متحدثًا، مع ادعاء المورّد انخفاض أخطاء تمييز المتحدثين بنسبة 12% مقارنةً بالإصدار v2 و17% عند وجود ثلاثة متحدثين أو أكثر. توفّر MAI-Transcribe-2 تمييز المتحدثين كمعامل مع مقاطع موسومة بالمتحدث، ولا تنشر مايكروسوفت معدل خطأ تمييز المتحدثين على الإطلاق. كون الشيء غير مقيس لا يعني أنه سيئ، لكنه غير مقيس.

• مفردات المجال — يقبل Scribe v3 ما يصل إلى 1,000 مصطلح مفتاحي لكل طلب دفعة. أما MAI-Transcribe-2 فيقبل قائمة عبارات بطول اعتباطي كتلميحات للتعرف، مع توضيح الوثائق صراحةً أن المصطلحات تلميحات وليست إخراجًا مفروضًا.

• شكل النشر — يعمل MAI-Transcribe-2 عبر نقطة نهاية الوضع المحسّن في Azure Speech في مناطق مسماة، مع مسارات REST وSDK وتكامل Voice Live لنسخ الإدخال. Scribe v3 هو تغيير في معرّف النموذج على تكامل ElevenLabs قائم، مع معالجة في الولايات المتحدة افتراضيًا وخيارات إقامة البيانات في الاتحاد الأوروبي والهند وسنغافورة ضمن خطط المؤسسات.

• الامتثال — تشترط ElevenLabs توقيع اتفاقية شريك أعمال (BAA) عبر فريق المبيعات قبل أي عمل متعلق بـ HIPAA، ولا تذكر وثائقها أن Scribe v3 نفسه مؤهل لـ HIPAA، بل فقط أن عملاء الرعاية الصحية يجب أن يوقّعوا BAA أولًا. وتوفّر حزمة Azure Speech من Microsoft السطح المعتاد للامتثال الإقليمي والمؤسسي. اقرأ كليهما بعناية قبل تمرير صوت المرضى عبر أي منهما.

Screenshot of the ElevenLabs Speech to Text documentation model cards, showing Scribe v3 with 27% fewer word errors than Scribe v2 on FLEURS, diarization to 32 speakers, secondary language codes for mixed-language audio and keyterm prompting up to 1,000 terms, and Scribe v3 Live with a 10,000-term keyterm library, turn prediction and realtime timestamps.

تشغيل كليهما دون عقد ثانٍ

الإجابة الواقعية لمعظم الفرق ليست متصدرًا واحدًا، بل تقسيمًا: نموذج واحد للمجموعة النصية التي يتفوق فيها، مع توجيه حسب عبء العمل. وهذه هي الحالة التي وُجدت طبقة التوجيه لدى OrcaRouter من أجلها في مراحل أعلى من خط المعالجة — إذ تُلخّص النصوص المفرّغة وتُصنّف ويُتخذ إجراء بشأنها، وهذه هي الاستدعاءات التي تتضاعف. واجهة API واحدة عبر أكثر من 200 نموذج، أسعار القوائم المعلنة من المزوّدين تُمرَّر دون هامش إضافي (0%)، التحويل التلقائي عند الفشل، ولغة DSL للتوجيه يمكنها إرسال نص اجتماع مفرّغ إلى أحد الملخِّصين ونص امتثال مفرّغ إلى آخر دون تكامل ثانٍ. لا يضمّ سجلّنا أيًا من Scribe v3 وMAI-Transcribe-2 — فكلاهما يُقدَّم من مورّديه — لذا يعني التقسيم مع ذلك عقدين لخدمات الكلام. ما ينهار هو كل ما يأتي بعد النص المفرّغ.

إذا كنت تريد بالفعل موردًا واحدًا، فإن حاسم التعادل غير مكلف تشغيله: خذ مئة ساعة من صوتك الخاص، وقيّم كلا النموذجين عليها، وانظر إلى المجموعة الفرعية على شكل Earnings-22 بدلًا من المتوسط. فجوة المركّب البالغة 0.09 نقطة أصغر من الفرق الذي يُظهره أي من النموذجين بين المدوّنات، وهذا يعني أن لوحة الصدارة المنشورة ليست سوى افتراض مسبق، لا إجابة.

من الذي يجب أن يختار ماذا

اختر MAI-Transcribe-2 إذا كان صوتك حواريًا، وكان مستوى الصوت لديك مرتفعًا، وكان خط أنابيبك غير متزامن، وكنت تحتاج إلى إخراج حرفي — واحسب في ميزانيتك احتمال تغيّر السعر في يناير. اختر Scribe v3 إذا كنت تحتاج إلى اتساع في اللغات، أو أعداد كبيرة من المتحدثين، أو ادعاء منشور بشأن فصل المتحدثين، أو سعر يمكنك إدراجه في نموذج لثلاث سنوات دون علامة حاشية. اختر كليهما، مقسّمين حسب مجموعة البيانات، إذا كانت لديك الشهية التشغيلية — ففرق الدقة بينهما صغير بما يكفي ليكون القرار في جوهره حول الإنتاجية، ودعم الإخراج الحرفي، وبمن تثق أن تسعيره سيظل قائمًا العام المقبل.