Titelkarte mit der Aufschrift „Scribe v3 vs. MAI Transcribe 2“ und dem Untertitel „Genauigkeit oder Durchsatz – wählen Sie Ihren Engpass“, daneben zwei Balkenpaare mit der Bezeichnung „Genauigkeit (AA-WER)“ bei 1,95 % und 2,04 % sowie „Geschwindigkeit (x Echtzeit)“ bei 76,8x und einem viel längeren 338,5x, mit einer Fußzeile „Alle Angaben laut Artificial Analysis, AA-WER v2.2, Non-Streaming“.
Guides & Insights

Scribe v3 vs. MAI Transcribe 2: 0,09 Punkte und eine 4,4-fache Geschwindigkeitslücke

Autor

jinhao.song

Veröffentlicht am

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

Setzt man ElevenLabs Scribe v3 und MAI-Transcribe-2 auf denselben Prüfstand, liegen sie bei der Wortfehlerrate nur 0,09 Prozentpunkte auseinander – 1,95 % gegenüber 2,04 % im Non-Streaming-AA-WER-Index von Artificial Analysis. Setzt man sie auf denselben Durchsatz-Benchmark, schafft eines von ihnen dieselbe Stunde Audio in ungefähr einem Viertel der realen Zeit. Diese beiden Fakten weisen in entgegengesetzte Richtungen, und welchem davon Sie folgen, hängt von einer Frage ab, die die meisten Transkriptionsvergleiche nie stellen: ob bei Ihnen die Wörter oder die Zeit der Engpass sind. Scribe v3 ist das genauere Modell – mit einem Vorsprung, den Sie in der Produktion kaum werden messen können. MAI-Transcribe-2 ist 4,4-mal schneller und kostet die Hälfte. Auf dieser Seite geht es darum, für welches der beiden Sie tatsächlich bezahlen sollten.

Beginne mit dem Korpus, der wie dein Audio aussieht.

Die zusammengesetzte Lücke von 0,09 Punkten ist ein Durchschnitt, und der Durchschnitt verbirgt eine Umkehr. Auf dem Earnings-22-Korpus von Artificial Analysis – spontanes, akzentbehaftetes Mehrsprecher-Telefonaudio, das, was im Vergleichsfeld einem echten Verkaufsgespräch am nächsten kommt – erzielt MAI-Transcribe-2 2,99 % und Scribe v3 3,34 %. Microsoft gewinnt diesen Korpus mit 0,35 Punkten Vorsprung – ein Vorsprung, der viermal so groß ist wie die zusammengesetzte Lücke und in die entgegengesetzte Richtung weist. Im zentralen Datensatz für vorgelesene Sprache gewinnt Scribe v3 mit 1,47 % zu 1,83 %. Bei VoxPopuli, parlamentarischer Sprache, steht es 1,52 % zu 1,50 % – ein Kopf-an-Kopf-Rennen innerhalb des Rauschens.

„Scribe v3 ist genauer“ ist also eine Aussage über einen Durchschnitt, und der Durchschnitt ist nur aussagekräftig, wenn Ihr Audio einem Durchschnitt aus Hörbüchern, Parlaments- und Telefonkonferenzen entspricht. Contact-Center- und Voice-Agent-Workloads tun das nicht; sie haben die Form von Earnings-22, und auf diesem Korpus kippt das Ranking. Podcast- und Medienarchiv-Workloads haben die Form von vorgelesener Sprache, und dort ist der Vorteil von Scribe v3 real und größer, als es der zusammengesetzte Wert nahelegt.

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.

Beide Zahlenreihen sind Messungen von Artificial Analysis auf einer gemeinsamen Testumgebung – der einzige Grund, warum der Vergleich überhaupt sinnvoll ist. Keines der Launch-Materialien der beiden Anbieter ist mit dem des anderen vergleichbar: ElevenLabs meldet einen relativen FLEURS-Zuwachs von 27 % gegenüber Scribe v2 in 102 Sprachen, Microsoft meldet einen FLEURS-Durchschnitt von 5,2 % über 60 Sprachen, und diese beiden Zahlen werden auf unterschiedlichen Sprachsets mit unterschiedlicher Mittelwertbildung berechnet. Das Drittanbieter-Board ist der einzige Ort, an dem die beiden Modelle zu gleichen Bedingungen aufeinandertreffen.

Die 4,4× ist die Zahl, die die Architektur verändert.

Beim Durchsatz hören die beiden Modelle auf, wie Substitute zu wirken. MAI-Transcribe-2 erreicht auf dem Bench von Artificial Analysis einen medianen Geschwindigkeitsfaktor von 338,5; Scribe v3 erreicht 76,8. Beide sind weit schneller als Echtzeit – Scribe v3 schafft eine Stunde Audio in unter einer Minute –, sodass der Unterschied bei einem nächtlichen Batch-Job, der ein Podcast-Archiv nachfüllt, unsichtbar ist. Für alles Interaktive gilt das nicht.

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.

Bei 76,8× dauert eine Stunde Audio 47 Sekunden Rechenzeit. Das ist in Ordnung, wenn das Audio eine fertige Aufnahme ist, und nutzlos, wenn das Audio live eintrifft – deshalb verkauft ElevenLabs dafür ein separates Echtzeitmodell, statt auf das Batch-Modell zu verweisen. Microsofts Antwort ist ebenfalls eine separate Streaming-SKU. Das Batch-Modell keines Anbieters ist das richtige Werkzeug für Live-Audio; die Durchsatzzahl ist für einen anderen Fall relevant – asynchrone Pipelines mit hohem Volumen, in denen Sie Tausende Stunden pro Tag verarbeiten und die Warteschlange wartet, nicht der Anrufer.

Bei 10.000 Stunden pro Monat benötigt 76,8× etwa 130 Stunden Rechenleistung und 338,5× etwa 30. Das ist der Unterschied zwischen einem Cluster, den man stundenweise mietet, und einem, den man kaum bemerkt. Es ist auch der Unterschied zwischen einem Backfill, der über Nacht fertig wird, und einem, der übers Wochenende fertig wird.

Preis: Faktor zwei – mit Ablaufdatum

Beim Listenpreis ist die Lücke eindeutiger als die Genauigkeitslücke. MAI-Transcribe-2 kostet 0,10 US-Dollar pro Audio-Stunde bzw. 1,67 US-Dollar pro 1.000 Minuten. Scribe v3 kostet nach ElevenLabs’ Preissenkung vom 17. November 0,20 US-Dollar pro Audio-Stunde bzw. 3,33 US-Dollar pro 1.000 Minuten. Genau doppelt, an beiden Enden.

Der Microsoft-Preis enthält eine Einschränkung, die in jedes darauf gestützte Budget gehört: 0,10 US-Dollar pro Stunde sind ein Einführungsangebot, das bis Ende 2026 läuft, und Microsoft hat den danach geltenden Standardpreis nicht veröffentlicht. Ein Plan für 2027, der auf 1,67 US-Dollar pro 1.000 Minuten festgelegt ist, ist ein Plan mit einer Position ohne Preisangabe. Der ElevenLabs-Preis ist der reguläre Listenpreis nach einer Preissenkung, keine Aktion, was ihn zur besser verteidigbaren Zahl für ein Mehrjahresmodell macht, obwohl er heute der höhere ist.

Zwei weitere Kostenpositionen stehen außerhalb des beworbenen Ausgangspreises, und beide sprechen für ElevenLabs. Keyterm-Prompting bei Scribe v3 wird mit 0,05 US-Dollar pro Stunde zusätzlich zum Grundpreis berechnet; die Transkriptbearbeitung mit 0,07 US-Dollar. Microsoft integriert Keyword-Biasing in den Transkriptionsaufruf. Und der Stundenpreis von ElevenLabs deckt Diarisierung, Entitätserkennung und Wort-Zeitstempel im selben Durchlauf ab, während Microsoft über Azure-Speech-Ressourcen abrechnet, bei denen die umliegenden Dienste eigene Kostenpositionen haben. Der Faktor zwei ist real, aber er ist eine Untergrenze für die Differenz, keine Obergrenze.

Funktionen, bei denen sie wirklich voneinander abweichen

• Verbatim-Modus — MAI-Transcribe-2 bietet ihn als Umschalter zwischen wortgetreuen und bereinigten Ausgabestilen. Scribe v3 nicht; ElevenLabs dokumentiert für das Modell „keinen Verbatim-Modus“. Für Compliance-Aufzeichnungen, QA-Bewertungen und alles, bei dem ein Fehlstart ein Beweis ist, ist das eine harte Anforderung und entscheidet die Wahl für sich allein.

• Sprachumfang — Scribe v3 ist für über 90 Sprachen dokumentiert; MAI-Transcribe-2 für 60, mit einer veröffentlichten Tabelle zur Unterstützung je Sprache und standardmäßig aktivierter automatischer Spracherkennung. ElevenLabs listet Sprachnamen auf, doch die Genauigkeitsaufschlüsselung ist enger gefasst als die Angabe zur Abdeckung.

• Diarisierung — Scribe v3 mit bis zu 32 Sprecher, wobei der Anbieter behauptet, es gebe 12 % weniger Diarisierungsfehler als bei v2 und 17 % weniger bei drei oder mehr Sprechern. MAI-Transcribe-2 bietet Diarisierung als Parameter mit sprecherbeschrifteten Segmenten, und Microsoft veröffentlicht überhaupt keine Diarisierungsfehlerrate. Ungemessen ist nicht dasselbe wie schlecht, aber es ist ungemessen.

• Domänenvokabular — Scribe v3 akzeptiert bis zu 1.000 Schlüsselbegriffe pro Batch-Anfrage. MAI-Transcribe-2 akzeptiert eine Phrasenliste beliebiger Länge als Erkennungshinweise, wobei die Dokumentation ausdrücklich klarstellt, dass es sich bei den Begriffen um Hinweise und nicht um erzwungene Ausgabe handelt.

• Bereitstellungsform — MAI-Transcribe-2 läuft über den Endpunkt im erweiterten Modus von Azure Speech in benannten Regionen, mit REST- und SDK-Pfaden sowie einer Voice Live-Integration für die Eingabetranskription. Scribe v3 ist eine Änderung der Modell-ID in einer bestehenden ElevenLabs-Integration, mit standardmäßiger Verarbeitung in den USA und Optionen für Datenresidenz in der EU, Indien und Singapur in Enterprise-Tarifen.

• Compliance – ElevenLabs verlangt vor HIPAA-Arbeiten ein über den Vertrieb unterzeichnetes Business Associate Agreement, und in seinen Dokumenten steht nicht, dass Scribe v3 selbst für HIPAA geeignet ist, sondern nur, dass Kunden im Gesundheitswesen zuerst eine BAA unterzeichnen müssen. Der Azure Speech-Stack von Microsoft bietet die übliche regionale und unternehmensweite Compliance-Abdeckung. Lesen Sie beides sorgfältig, bevor Sie Patientenaudio durch eines der beiden Systeme schicken.

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.

Beide ohne einen zweiten Vertrag betreiben

Die realistische Antwort für die meisten Teams ist kein Sieger, sondern ein Split: ein Modell für den Korpus, in dem es gewinnt, nach Workload geroutet. Genau dafür gibt es die Routing-Schicht von OrcaRouter weiter oben in der Pipeline – Transkripte werden zusammengefasst, klassifiziert und mit Aktionen versehen, und das sind die Aufrufe, die sich vervielfachen. Eine API für 200+ Modelle, Provider-Listenpreise zu 0 % Aufschlag durchgereicht, automatisches Failover, und eine Routing-DSL, die ein Meeting-Transkript an einen Summarizer und ein Compliance-Transkript an einen anderen schicken kann, ohne eine zweite Integration. Weder Scribe v3 noch MAI-Transcribe-2 stehen auf unserer Liste – beide werden von ihren Anbietern bereitgestellt –, sodass der Split weiterhin zwei Sprachverträge bedeutet. Was wegfällt, ist alles, was dem Transkript nachgelagert ist.

Wenn Sie sich tatsächlich auf einen einzigen Anbieter festlegen wollen, ist der Stichentscheid günstig umzusetzen: Nehmen Sie hundert Stunden Ihres eigenen Audiomaterials, bewerten Sie beide darauf und schauen Sie sich statt des Durchschnitts die Earnings-22-förmige Teilmenge an. Die zusammengesetzte Lücke von 0,09 Punkten ist kleiner als der Unterschied, den jedes der beiden Modelle zwischen Korpora zeigt, was bedeutet, dass die veröffentlichte Rangliste ein Prior ist, keine Antwort.

Wer sollte was auswählen?

Wähle MAI-Transcribe-2, wenn dein Audio konversationell ist, dein Aufkommen hoch ist, deine Pipeline asynchron ist und du eine wörtliche Ausgabe brauchst – und plane ein, dass sich der Tarif im Januar ändert. Wähle Scribe v3, wenn du eine große Sprachbreite, hohe Sprecherzahlen, einen veröffentlichten Diarisierungs-Claim oder einen Preis brauchst, den du ohne Sternchen in ein Dreijahresmodell eintragen kannst. Wähle beide, aufgeteilt nach Korpus, wenn du die operative Bereitschaft dazu hast – der Genauigkeitsunterschied zwischen ihnen ist so klein, dass es bei der Entscheidung wirklich um Durchsatz, Verbatim-Unterstützung und darum geht, wem du zutraust, dass seine Preisgestaltung nächstes Jahr noch existiert.