Titelkarte mit der Aufschrift „Scribe v3 Live Medical vs. MAI Transcribe 2 Streaming“ und dem Untertitel „nur eine hat einen Preis“. Darunter zwei abgerundete Karten nebeneinander: Die linke Karte mit der Überschrift „aufrufbar“ listet Modell-ID, Stundensatz und vier Azure-Regionen auf; die rechte Karte mit der Überschrift „gebündelt“ zeigt eine einzige Zeile mit der Aufschrift „im ElevenAgents-Preismodell enthalten“, wobei die Modell-ID-Zeile ausgegraut ist.
Guides & Insights

Scribe v3 Live Medical vs. MAI Transcribe 2 Streaming: Nur eines hat einen Preis

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Stell Scribe v3 Live Medical und MAI-Transcribe-2-Streaming nebeneinander, und der erste Unterschied ist nicht Genauigkeit, Latenz oder Anzahl der Sprachen. Er besteht darin, dass das eine ein Produkt und das andere ein Feature ist. MAI-Transcribe-2-Streaming hat einen Model-String, den man an eine API übergibt, einen veröffentlichten Preis, einen Preview-Status, vier namentlich genannte Azure-Regionen und zwei dokumentierte Integrationswege. Scribe v3 Live Medical hat ein Dropdown in den Einstellungen eines ElevenAgents-Agenten, eine Early-Access-Sperre und keinen eigenen Preis, weil es in ein Abonnement eingebettet ist. Microsoft hat einen Transkribierer ausgeliefert; ElevenLabs hat eine Fähigkeit ausgeliefert, die in einer Plattform steckt, die es ebenfalls verkauft.

Diese Asymmetrie macht den Genauigkeitsvergleich zum am wenigsten nützlichen Teil dieser Seite und den Beschaffungsvergleich zum nützlichsten. Dennoch verdienen die Zahlen eine Erwähnung, denn die von Microsoft sind die aggressiveren: eine behauptete Streaming-Wortfehlerrate von 2,5 % bei 0,13 Sekunden bis zum finalen Transkript, gegenüber 12,8 % von ElevenLabs bei simulierten klinischen Konsultationen. Diese beiden Werte liegen um den Faktor fünf auseinander und beschreiben fast nichts Gemeinsames – genau deshalb erfordert dieser Vergleich Sorgfalt statt eines Urteils.

Was Microsoft tatsächlich ausgeliefert hat

MAI-Transcribe-2-Streaming ist der Echtzeit-Begleiter zu MAI-Transcribe-2, dem internen Batch-Modell von Microsoft AI. Es erschien am 1. Oktober 2026 in der öffentlichen Vorschau, etwa einen Monat nach der Batch-Version, und wird über Azures Speech-Stack statt über einen separaten KI-Endpunkt bereitgestellt. Es gibt zwei dokumentierte Integrationswege: einen OpenAI Realtime-kompatiblen WebSocket und das Azure Speech SDK, das für Sie die Verbindungsverwaltung, Wiederholungsversuche und das Audio-Streaming übernimmt. Beide liefern Zwischenergebnisse, die an Ort und Stelle aktualisiert werden, und Endergebnisse, die jedes Segment bestätigen.

Die Behauptungen, die Microsoft daran knüpft, als Herstellerangaben gekennzeichnet, weil sie genau das sind: Erster bei der Genauigkeit sowohl bei finalen als auch bei partiellen Transkripten in Artificial Analysisʼ Streaming-Evaluierung, bei 2,5 % Wortfehlerrate, wobei das finale Transkript 0,13 Sekunden nach Sprechende vorliegt, und 2,5 % beim ersten partiellen Transkript nach 0,12 Sekunden. Der wichtige Vorbehalt, den auch die Batch-Einführung teilte: Der Tracker hat dieses Modell nicht als eigene Zeile eingetragen. Microsoft beansprucht ein Ergebnis nach der Methodik eines Drittanbieters, zitiert aber keine veröffentlichte Messung eines Drittanbieters. Der tatsächliche Streaming-Spitzenreiter des Boards zum Zeitpunkt der Erstellung war Grok Voice Transcribe 2.0 mit 2,73 % und 0,49 Sekunden.

Alles andere daran ist unspektakulär und gut dokumentiert: 60 Sprachen mit automatischer kontinuierlicher Sprachidentifikation, Code-Switching für gemischte Paare wie Hinglish und Spanglish, Angaben zur Rauschrobustheit und Verfügbarkeit in Sweden Central, Central US, East US 2 und Southeast Asia. Der Preview-Disclaimer ist üblicher Azure-Wortlaut – kein Service-Level-Agreement, nicht für Produktionsworkloads empfohlen.

The Microsoft Learn page 'MAI-Transcribe in Azure Speech', showing the Azure documentation navigation and the speech service sidebar with entries including 'Use a MAI-Transcribe model', 'Language support' and 'Speech service overview'.

Was ElevenLabs veröffentlicht hat – und warum es in eine andere Kategorie gehört

Scribe v3 Live Medical gehört zur Scribe-v3-Familie, die am 9. November 2026 eingeführt wurde, und ist deren medizinisches Echtzeit-Mitglied. Die Dokumentation von ElevenLabs ist eindeutig, was die Abgrenzung angeht: Es ist nur in ElevenAgents verfügbar, nicht über die Speech to Text API, und wenn Sie medizinische Transkription über die API wünschen, sollten Sie Scribe v2 Medical verwenden — das Batch-Modell, zu $0,20 pro Stunde, ein normales Produkt mit einer Modell-ID.

Daraus folgen drei Konsequenzen, und diese sind wichtiger als jede WER-Zahl:

• Sie können dafür keinen Preis angeben. Es ist in der Standardpreisgestaltung von ElevenAgents enthalten, die pro Gesprächsminute abgerechnet wird und die ASR zusammen mit dem LLM des Agenten, der Telefonie, der Sprachsynthese und Tool-Aufrufen bündelt. Es gibt keinen separat ausweisbaren ASR-Tarif, daher gibt es keine Zahl, die in eine Vergleichstabelle eingetragen werden könnte.

• Sie können außerhalb der Plattform keinen eigenen Benchmark durchführen. Die einzige veröffentlichte Zahl ist ElevenLabs’ eigener Lauf auf PriMock57 – 57 simulierte hausärztliche Konsultationen –, bei dem es 12,8 % erzielte, gegenüber 15,5 % für AssemblyAI Universal-3.6 Pro Realtime im Medizinmodus, 16,3 % für Speechmatics Oak-1, 17,0 % für Deepgram Nova-3 Pharma und 17,2 % für Nova-3 Medical.

• Sie können damit noch keine PHI senden. In der Dokumentation steht unmissverständlich: Senden Sie keine geschützten Gesundheitsinformationen an Scribe v3 Live Medical, bis die HIPAA-Eignung bestätigt ist, und EU-Datenresidenz ist während des Early Access nicht verfügbar. Das ist eine festere Aussage als die allgemeine HIPAA-eligible-Formulierung auf der Marketingseite, und es ist die Aussage, die ein Compliance-Beauftragter lesen wird.

A two-column scoreboard titled 'Scribe v3 Live Medical vs MAI Transcribe 2 Streaming — the scoreboard', with the rows Price (no ASR rate vs $0.54 per audio hour), Accuracy (12.8% PriMock57 vs 2.5% claimed), Latency (not published vs 0.13s to final), Languages (90+ vs 60), Status (early access vs public preview) and Integration (ElevenAgents only vs Realtime API or Speech SDK), and a footer reading 'Microsoft figures are claims not yet plotted by Artificial Analysis; ElevenLabs figures vendor-run.'

2,5 % gegenüber 12,8 % ist keine fünfmal so große Lücke.

Es sieht aus wie eines. Ist es aber nicht, aus drei Gründen, und jeder davon ist eine andere Art von Messproblem.

Die Korpora sind unterschiedlich. Der Streaming-Harness von Artificial Analysis misst allgemeine Sprache über viele Sprachen und Bedingungen hinweg; PriMock57 besteht aus 57 simulierten Hausarztkonsultationen, in denen zwei Personen Symptome, Verschreibungen und Testergebnisse besprechen. Klinische Konsultationen sind für jedes Modell schwieriger – ElevenLabs' eigene Grafik zeigt vier konkurrierende Echtzeit-Engines, die auf diesem Datensatz zwischen 15,5 % und 17,2 % liegen, darunter zwei Modelle, die speziell für medizinisches Audio entwickelt wurden. Ein Wert von 12,8 % auf diesem Datensatz ist ein starkes Ergebnis; ein Wert von 2,5 % auf einem allgemeinen Datensatz ist eine andere Art von Leistung.

Die Bedingungen sind unterschiedlich. Microsofts Zahl ist eine Aussage über die Methodik eines Dritten, nicht eine Zeile, die dieser Dritte veröffentlicht. ElevenLabs’ Zahl ist ein vom Anbieter durchgeführter Lauf auf einem vom Anbieter ausgewählten öffentlichen Set. Keine von beiden ist eine Messung, die man gegen die andere halten kann, ohne beide auf demselben Audio laufen zu lassen – und das hat niemand getan.

Die Aufgaben unterscheiden sich auf eine Weise, die klinisch relevant ist. Microsofts Modell ist ein allgemeines Transkriptionsmodell mit Keyword-Biasing und einem dokumentierten Anwendungsfall für klinische Notizen; es ist nicht auf Medikamentennamen feinabgestimmt. ElevenLabs' Modell ist ein Fine-Tuning von Scribe v3 Live, das genau auf dieses Vokabular abzielt. Auf einem sauberen allgemeinen Board sollte man erwarten, dass das allgemeine Modell gewinnt. Bei „er nimmt Metformin 1000 zweimal täglich, Empagliflozin 10 und Atorvastatin 40“ – der Beispielzeile auf ElevenLabs' medizinischer Seite – ist das Fine-Tuning dasjenige, das einen Grund hat, besser zu sein, und das allgemeine Modell dasjenige, das sich auf seine Phrasenliste verlässt.

Der Latenzunterschied ist der, der real ist.

Microsofts 0,13 Sekunden bis zu einem endgültigen Transkript sind die Zahl, die einen Wettbewerber beunruhigen sollte, denn es ist die Art von Zahl, auf der sich eine Plattform aufbauen lässt. Unter etwa 0,2 Sekunden wirkt Untertiteltext so, als liefe er gleichzeitig mit der Sprache; bei einer Drittelsekunde wirkt es, als liefe das Transkript dem Sprecher hinterher. ElevenLabs veröffentlicht keine Latenz für die medizinische Variante, nur dass sie mit Scribe v3 Live gleichzieht, für den im Familienvergleich die semantische WER um 44 % niedriger liegt als bei Scribe v2 Realtime — ein Modell, das ElevenLabs mit einer medianen Zeit bis zum festgeschriebenen Transkript von rund 150 ms dokumentiert. Die plausible Lesart ist also, dass beide im selben Bereich unter einer Viertelsekunde liegen und der Unterschied für eine mitlesende Person nicht wahrnehmbar ist.

Wo der Unterschied tatsächlich sichtbar wird, ist beim Endpointing, und hier hat ElevenLabs die spezifischere Erklärung. Seine Turn-Vorhersage nutzt den Gesprächskontext, um zu entscheiden, ob ein Anrufer fertig gesprochen hat, sodass ein Agent die Pausen innerhalb einer Mitglieds-ID oder eines Geburtsdatums abwartet, statt auf die ersten drei Ziffern zu antworten. Microsofts Gegenstück ist die erweiterte End-of-Turn-Erkennung der Voice Live API, eine Eigenschaft der Agentenebene und nicht der Transkriptionskomponente. Beide lösen es. Das eine löst es innerhalb des ASR-Produkts, das andere eine Ebene höher, und wenn Sie Ihren eigenen Agenten-Loop zusammenbauen, spielt die Ebene eine Rolle.

Kosten, nebeneinander, mit markierten Löchern

• Microsoft — 0,54 US-Dollar pro Audio-Stunde ist der Einführungspreis für MAI-Transcribe-2-Streaming, wobei kein Standardpreis genannt wird; Microsoft hat diese Struktur bereits früher verwendet, und die Early-Bird-Preise des Batch-Modells waren ausdrücklich zeitlich begrenzt.

• ElevenLabs — für Scribe v3 Live Medical existiert kein ASR-Tarif. Die familienbezogenen Ankerpreise in der API liegen bei $0.22 pro Stunde für Scribe v3 Live und $0.08 pro Stunde für Realtime-Keyterm-Prompting, und das medizinische API-Produkt Scribe v2 Medical kostet $0.20 pro Stunde am Batch-Endpoint.

Im großen Maßstab kosten 10.000 Minuten gestreamtes Audio etwa 90 US-Dollar zu Microsofts Einstiegstarif und sind beim Plattform-Preismodell von ElevenLabs nicht bezifferbar, wo dieselben zehntausend Minuten auch LLM-Tokens, Telefonie und Stimme in Rechnung stellen.

• Benutzerdefiniertes Vokabular — Microsofts Phrasenliste ist ein Anfrageparameter, für den kein veröffentlichter Zuschlag existiert; ElevenLabs bietet in ElevenAgents bis zu 10.000 benutzerdefinierte Begriffe ohne zusätzliche Kosten und berechnet für Echtzeit-Schlüsselbegriffe bei den API-Modellen 0,08 US-Dollar pro Stunde.

Bei diesem letzten Paar lohnt es sich kurz inneinzuhalten, denn 10.000 Begriffe sind keine runde Marketingzahl – das entspricht ungefähr der Größe des Arzneimittelverzeichnisses eines mittelgroßen Gesundheitssystems plus dessen Verzeichnis der Leistungserbringer. Wenn Ihr Problem mit der klinischen Terminologie groß ist, ist das Terminologiebudget eine echte Funktion, und Microsofts Phrasenliste, die als Hinweise statt als erzwungene Ausgabe dokumentiert ist, ist ein anderer Mechanismus mit anderen Fehlermodi.

Wo die Reasoning-Schicht hingehört

Keines dieser Modelle entscheidet irgendetwas. Ein klinischer Voice-Agent nimmt das Transkript und macht etwas damit – prüft eine Coverage-Regel, entwirft eine Notiz, entscheidet, ob an eine Pflegekraft weitergeleitet wird – und dieser Schritt ist ein separater Modellaufruf mit eigenem Latenzbudget. In einer Echtzeit-Pipeline trägt die Time-to-First-Token des Reasoning-Modells oft stärker zur wahrgenommenen Verzögerung bei als die 0,13 oder 0,15 Sekunden des Transkribierers.

Dieser Teil ist der, in dem ein Router seinen Platz verdient. OrcaRouter bedient 215 Modelle hinter einer einzigen OpenAI-kompatiblen API zu 0 % Aufschlag, wobei die Listenpreise der Anbieter unverändert durchgereicht werden, mit automatischem Failover über Anbieter hinweg — sodass das Modell, das ein Transkript verarbeitet, gegen ein schnelleres ausgetauscht oder mitten im Aufruf per Failover ersetzt werden kann, ohne die Azure- oder ElevenLabs-Integration anzufassen. Wir bieten Scribe v3 Live Medical oder MAI-Transcribe-2-Streaming nicht an; der Transkriptions-Teil bleibt dort, wo Sie ihn gekauft haben.

A section of the OrcaRouter site headed 'Zero markup. Zero black boxes.', with the line 'You pay each provider their exact list price. We add $0 per token' and further text explaining that cached and repeated prompt tokens bill at the provider's own cache rate and that cached_tokens appears on every receipt.

Das Urteil, als Beschaffungsentscheidung formuliert

Wählen Sie MAI-Transcribe-2-Streaming, wenn Sie einen Transkriptor benötigen, den Sie aufrufen, bepreisen und in eine Preisliste aufnehmen können. Es ist der einzige der beiden, der ein Modell und kein Plattform-Feature ist, er ist bis hinunter zur Region und zum SDK dokumentiert, und sein angegebenes Genauigkeits-Latenz-Paar ist derzeit die stärkste veröffentlichte Position im Streaming-ASR – mit dem Vorbehalt, dass die Angabe von Microsoft stammt und das Board sie nicht eingezeichnet hat. Bauen Sie mit der üblichen Vorsicht auf der Preview auf: kein SLA und ein Einführungspreis, der sich ändern wird.

Wählen Sie Scribe v3 Live Medical, wenn Sie einen Agenten und kein Transkriptionswerkzeug kaufen – wenn Telefonsystem, Turn-Taking, Stimme und Guardrails ohnehin von ElevenLabs kommen, dann ist ein klinisches Fine-Tuning innerhalb dieses Stacks mehr wert als eine bessere allgemeine WER, die Sie selbst integrieren müssten. Testen Sie es zuerst mit Ihren eigenen Aufnahmen, und führen Sie ihm keine PHI zu, solange die Dokumentation noch davor warnt.

Wenn Sie wirklich unentschieden sind, liegt der Stichentscheid nicht auf der Website eines der beiden Anbieter: Lassen Sie zwanzig eigene Anrufe durch beide laufen, zählen Sie die Fehler, die eine klinische Entscheidung verändert hätten, statt der Fehler insgesamt, und vergleichen Sie diese Zahl mit dem, was jede Option Sie pro Monat kostet, einschließlich der Teile, die Sie sonst selbst bauen müssten. Bei diesem Test werden sowohl die 2,5 % als auch die 12,8 % falsch sein, und die Rangfolge könnte durchaus kippen.