
Scribe v3 Live Medical vs MAI Transcribe 2 Streaming: solo uno tiene precio
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
Compara Scribe v3 Live Medical y MAI-Transcribe-2-Streaming, y la primera diferencia no es la precisión, la latencia ni la cantidad de idiomas. Es que uno de ellos es un producto y el otro es una funcionalidad. MAI-Transcribe-2-Streaming tiene una cadena de modelo que se pasa a una API, una tarifa publicada, un estado de versión preliminar, cuatro regiones de Azure con nombre y dos rutas de integración documentadas. Scribe v3 Live Medical tiene un menú desplegable en la configuración de un agente de ElevenAgents, una puerta de acceso anticipado y ningún precio propio porque está incluido en una suscripción. Microsoft lanzó un transcriptor; ElevenLabs lanzó una capacidad dentro de una plataforma que también vende.
Esa asimetría hace que la comparación de precisión sea la parte menos útil de esta página y la comparación de adquisición la más útil. Aun así, las cifras merecen mencionarse, porque las de Microsoft son las agresivas: una tasa de error de palabras en streaming declarada del 2,5 % a 0,13 segundos hasta una transcripción final, frente al 12,8 % de ElevenLabs en consultas clínicas simuladas. Esas dos cifras difieren en un factor de cinco y casi no describen nada en común, que es exactamente por lo que este enfrentamiento necesita cuidado en lugar de un veredicto.
Lo que Microsoft realmente lanzó
MAI-Transcribe-2-Streaming es el complemento en tiempo real de MAI-Transcribe-2, el modelo por lotes interno de Microsoft AI. Llegó el 1 de octubre de 2026 en versión preliminar pública, aproximadamente un mes después del lanzamiento por lotes, y se sirve a través de la pila de voz de Azure en lugar de mediante un endpoint de IA independiente. Existen dos rutas de integración documentadas: un WebSocket compatible con OpenAI Realtime y el Azure Speech SDK, que gestiona por ti la administración de conexiones, los reintentos y la transmisión de audio. Ambas devuelven resultados intermedios que se actualizan in situ y resultados finales que confirman cada segmento.
Las afirmaciones que Microsoft le atribuye, etiquetadas como afirmaciones del proveedor porque eso es lo que son: primero en precisión tanto en transcripciones finales como parciales en la evaluación de streaming de Artificial Analysis, con una tasa de error de palabras del 2,5% con la transcripción final lista 0,13 segundos después del final del habla y un 2,5% en la primera parcial a los 0,12 segundos. La advertencia importante, que compartió el lanzamiento por lotes: el rastreador no ha trazado este modelo como una fila. Microsoft está afirmando un resultado según la metodología de un tercero, no citando una medición publicada por un tercero. El verdadero líder de streaming del ranking en el momento de la redacción era Grok Voice Transcribe 2.0 con 2,73% y 0,49 segundos.
Todo lo demás es corriente y está bien documentado: 60 idiomas con detección automática y continua del idioma, cambio de código para pares combinados como Hinglish y Spanglish, afirmaciones de robustez frente al ruido y disponibilidad en Centro de Suecia, Centro de EE. UU., Este de EE. UU. 2 y Sudeste Asiático. El aviso de versión preliminar es el lenguaje estándar de Azure: sin contrato de nivel de servicio, no recomendado para cargas de trabajo de producción.

Lo que ElevenLabs lanzó, y por qué está en una categoría distinta
Scribe v3 Live Medical forma parte de la familia Scribe v3, lanzada el 9 de noviembre de 2026, y es su miembro médico en tiempo real. La documentación de ElevenLabs es inequívoca sobre el límite: solo está disponible en ElevenAgents, no está disponible a través de Speech to Text API, y si quieres transcripción médica a través de la API, deberías usar Scribe v2 Medical —el modelo por lotes, a $0.20 por hora, que es un producto normal con un ID de modelo.
Se derivan tres consecuencias, y son más importantes que cualquier cifra de WER:
• No puedes ponerle un precio. Está incluido en la tarifa estándar de ElevenAgents, que cobra por minuto de conversación y agrupa el ASR junto con el LLM del agente, la telefonía, la síntesis de voz y las llamadas a herramientas. No existe una tarifa de ASR separable, así que no hay ninguna cifra que poner en una hoja de cálculo comparativa.
• No puedes evaluarlo por tu cuenta fuera de la plataforma. La única cifra publicada es la propia ejecución de ElevenLabs sobre PriMock57 —57 consultas simuladas de atención primaria—, donde obtuvo un 12,8 % frente al 15,5 % de AssemblyAI Universal-3.6 Pro Realtime en modo médico, el 16,3 % de Speechmatics Oak-1, el 17,0 % de Deepgram Nova-3 Pharma y el 17,2 % de Nova-3 Medical.
• Todavía no puede enviarle PHI. La documentación lo dice claramente: no envíe información de salud protegida a Scribe v3 Live Medical hasta que se confirme la elegibilidad para HIPAA, y la residencia de datos en la UE no está disponible durante el acceso anticipado. Es una declaración más contundente que la línea general de la página de marketing sobre la elegibilidad para HIPAA, y es la que leerá un responsable de cumplimiento.

2,5% frente a 12,8% no es una diferencia de cinco veces
Parece uno. No lo es, por tres razones, y cada una de ellas es un tipo distinto de problema de medición.
Los corpus son diferentes. El arnés de streaming de Artificial Analysis mide habla general en muchos idiomas y condiciones; PriMock57 son 57 consultas simuladas de médico de cabecera en las que dos personas hablan de síntomas, recetas y resultados de pruebas. Las consultas clínicas son más difíciles para todos los modelos —el propio gráfico de ElevenLabs muestra cuatro motores en tiempo real competidores agrupados entre el 15,5% y el 17,2% en él, incluidos dos modelos creados específicamente para audio médico. Un 12,8% en ese conjunto es un resultado sólido; un 2,5% en un conjunto general es un logro distinto.
Las condiciones son diferentes. La cifra de Microsoft es una afirmación sobre la metodología de un tercero, no una fila que ese tercero publique. La cifra de ElevenLabs es una ejecución de un proveedor sobre un conjunto público elegido por el proveedor. Ninguna de las dos es una medición que puedas contraponer a la otra sin ejecutar ambas sobre el mismo audio, y nadie lo ha hecho.
Las tareas son distintas de una manera que importa clínicamente. El modelo de Microsoft es un transcriptor general con sesgo por palabras clave y un caso de uso documentado para notas clínicas; no está ajustado específicamente para nombres de medicamentos. El modelo de ElevenLabs es un ajuste fino de Scribe v3 Live orientado exactamente a ese vocabulario. En una prueba general limpia, cabría esperar que ganara el modelo general. En «está tomando metformina 1000 dos veces al día, empagliflozina 10 y atorvastatina 40» —la línea de ejemplo en la página médica de ElevenLabs—, el ajuste fino es el que tiene motivos para ser mejor, y el modelo general es el que depende de su lista de frases.
La diferencia de latencia es la que es real
Los 0.13 segundos de Microsoft hasta una transcripción final son la cifra que debería preocupar a un competidor, porque es el tipo de número sobre el que se puede construir una plataforma. Por debajo de unos 0.2 segundos, el texto de los subtítulos se percibe como simultáneo al habla; un tercio de segundo se percibe como si la transcripción fuera detrás del hablante. ElevenLabs no publica una latencia para la variante médica, solo que iguala a Scribe v3 Live, cuya comparación de familia es un WER semántico 44% menor que Scribe v2 Realtime —un modelo que ElevenLabs documenta con un tiempo mediano de aproximadamente 150 ms hasta la transcripción confirmada. Así que la lectura plausible es que ambos están en el mismo entorno por debajo de un cuarto de segundo y que la diferencia no es perceptible para una persona que lee a la vez.
Donde sí se nota la diferencia es en la detección de fin de turno, y aquí ElevenLabs tiene una propuesta más específica. Su predicción de turnos utiliza el contexto de la conversación para decidir si quien llama ha terminado, así que un agente espera durante las pausas dentro de un identificador de miembro o una fecha de nacimiento en lugar de responder a los tres primeros dígitos. El equivalente de Microsoft es la detección avanzada de fin de turno de la API Voice Live, que es una propiedad de la capa del agente y no del transcriptor. Ambos lo resuelven. Uno lo resuelve dentro del producto de ASR y el otro lo resuelve una capa más arriba, y si estás montando tu propio bucle de agente, la capa importa.
Costo, lado a lado, con los agujeros marcados
• Microsoft — $0.54 por hora de audio es la tarifa introductoria de MAI-Transcribe-2-Streaming, sin que se haya revelado un precio estándar; Microsoft ha aplicado esta estructura antes, y el precio promocional del modelo por lotes tenía un límite de tiempo explícito.
• ElevenLabs — no existe una tarifa de ASR para Scribe v3 Live Medical. Los precios de referencia de la familia en la API son $0.22 por hora para Scribe v3 Live y $0.08 por hora para el prompting de términos clave en tiempo real, y el producto médico de la API, Scribe v2 Medical, cuesta $0.20 por hora en el endpoint por lotes.
• A escala — 10.000 minutos de audio en streaming cuestan aproximadamente $90 con la tarifa introductoria de Microsoft y resultan incuantificables con el precio de la plataforma de ElevenLabs, donde esos mismos diez mil minutos también facturan tokens de LLM, telefonía y voz.
• Vocabulario personalizado: la lista de frases de Microsoft es un parámetro de solicitud sin recargo publicado; ElevenLabs incluye hasta 10.000 términos personalizados sin coste adicional en ElevenAgents, y cobra 0,08 $ por hora por los términos clave en tiempo real en los modelos de API.
Ese último par merece que nos detengamos, porque 10.000 términos no es un número redondo de marketing: es aproximadamente el tamaño del formulario de medicamentos de un sistema de salud de tamaño medio más su lista de prestadores. Si tu problema de vocabulario clínico es grande, el presupuesto de términos es una función real, y la lista de frases de Microsoft, documentada como sugerencias en lugar de salida forzada, es un mecanismo distinto con modos de fallo distintos.
Dónde encaja la capa de razonamiento
Ninguno de estos modelos decide nada. Un agente de voz clínico toma la transcripción y hace algo con ella —comprueba una regla de cobertura, redacta una nota, decide si derivar a una enfermera—, y ese paso es una llamada separada al modelo con su propio presupuesto de latencia. En una canalización en tiempo real, el tiempo hasta el primer token del modelo de razonamiento suele contribuir más a la demora percibida que los 0,13 o 0,15 segundos del transcriptor.
Ese tramo es donde un router se gana su lugar. OrcaRouter sirve 215 modelos tras una única API compatible con OpenAI con un 0 % de margen, con los precios de lista de los proveedores transferidos sin cambios, con conmutación por error automática entre proveedores — de modo que el modelo que razona sobre una transcripción puede cambiarse por uno más rápido, o conmutarse por error a mitad de llamada, sin tocar la integración con Azure o ElevenLabs. No servimos Scribe v3 Live Medical ni MAI-Transcribe-2-Streaming; el tramo de transcripción se queda donde lo hayas comprado.

El veredicto, expresado como una decisión de adquisición
Elija MAI-Transcribe-2-Streaming si necesita un transcriptor al que pueda invocar, ponerle precio e incluir en una tarifa. Es el único de los dos que es un modelo y no una función de plataforma, está documentado hasta el nivel de región y SDK, y el par precisión-latencia que declara es la posición publicada más sólida en ASR en streaming en este momento, con la salvedad de que la declaración es de Microsoft y la junta no la ha graficado. Parta de la vista previa con la cautela habitual: sin SLA y con un precio introductorio que cambiará.
Elige Scribe v3 Live Medical si lo que compras es un agente, no un transcriptor: si el sistema telefónico, la toma de turnos, la voz y los guardrails van a ser de ElevenLabs de todos modos, entonces un ajuste fino clínico dentro de ese stack vale más que un WER general mejor que tendrías que integrar por tu cuenta. Pruébalo primero con tus propias grabaciones y no le pases PHI hasta que la documentación deje de advertirte que no lo hagas.
Si realmente sigues indeciso, el desempate no está en el sitio de ninguno de los dos proveedores: pasa veinte de tus propias llamadas por ambos, cuenta los errores que habrían cambiado una decisión clínica en lugar de los errores totales, y compara ese recuento con lo que cada opción te cuesta al mes, incluidas las partes que, de otro modo, tendrías que construir. En esa prueba, el 2,5 % y el 12,8 % estarán ambos equivocados, y es muy posible que el orden se invierta.
