Tarjeta de título que dice «Scribe v3 vs MAI Transcribe 2» con el subtítulo «precisión o rendimiento — elige tu cuello de botella», junto a dos pares de barras etiquetados «Precisión (AA-WER)» en 1,95 % y 2,04 %, y «Velocidad (x tiempo real)» en 76,8x y un 338,5x mucho más largo, con un pie de página que dice «Todas las cifras según Artificial Analysis, AA-WER v2.2, sin streaming».
Guides & Insights

Scribe v3 vs MAI Transcribe 2: 0,09 puntos y una brecha de velocidad de 4,4x

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Pon ElevenLabs Scribe v3 y MAI-Transcribe-2 en un mismo banco de pruebas y terminan con 0,09 puntos porcentuales de diferencia en la tasa de error de palabras: 1,95 % frente a 2,04 % en el índice AA-WER no en streaming de Artificial Analysis. Ponlos en un mismo banco de rendimiento y uno de ellos termina la misma hora de audio en aproximadamente una cuarta parte del tiempo real. Esos dos hechos apuntan en direcciones opuestas, y cuál sigas depende de una pregunta que la mayoría de las comparaciones de transcripción nunca hacen: si tu cuello de botella son las palabras o el reloj. Scribe v3 es el modelo más preciso por un margen que te costará medir en producción. MAI-Transcribe-2 es 4,4 veces más rápido y cuesta la mitad. Esta página trata de cuál de esos deberías pagar realmente.

Comienza con el corpus que se parezca a tu audio.

La brecha compuesta de 0,09 puntos es un promedio, y el promedio oculta un vuelco. En el corpus Earnings-22 de Artificial Analysis —audio telefónico espontáneo, con acentos y de varios hablantes, lo más parecido que hay en la tabla a una llamada de ventas real—, MAI-Transcribe-2 obtiene un 2,99% y Scribe v3 obtiene un 3,34%. Microsoft gana ese corpus por 0,35 puntos, cuatro veces el tamaño de la brecha compuesta, en la dirección opuesta. En el conjunto principal de habla leída, Scribe v3 gana por 1,47% a 1,83%. En VoxPopuli, habla parlamentaria, es de 1,52% a 1,50%: un empate técnico dentro del ruido.

Así que "Scribe v3 es más preciso" es una afirmación sobre un promedio, y el promedio solo tiene sentido si tu audio es un promedio de audiolibros, parlamento y llamadas de conferencia. Las cargas de trabajo de centros de contacto y agentes de voz no lo son; tienen forma de Earnings-22, y en ese corpus la clasificación se invierte. Las cargas de trabajo de pódcasts y archivos multimedia tienen forma de habla leída, y en esas la ventaja de Scribe v3 es real y mayor de lo que sugiere la métrica compuesta.

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.

Ambos conjuntos de cifras son mediciones de Artificial Analysis en un entorno de prueba compartido, que es la única razón por la que merece la pena hacer la comparación. El material de lanzamiento de ninguno de los dos proveedores es comparable con el del otro: ElevenLabs informa de una mejora relativa del 27 % en FLEURS frente a Scribe v2 en 102 idiomas, Microsoft informa de una media del 5,2 % en FLEURS en 60 idiomas, y esas dos cifras se calculan sobre conjuntos de idiomas diferentes y con promedios distintos. El panel de terceros es el único lugar donde los dos modelos se encuentran en igualdad de condiciones.

El 4,4× es el número que cambia la arquitectura

El rendimiento es donde los dos modelos dejan de parecer sustitutos. MAI-Transcribe-2 funciona con un factor de velocidad mediano de 338,5 en el banco de pruebas de Artificial Analysis; Scribe v3 funciona a 76,8. Ambos son mucho más rápidos que el tiempo real —Scribe v3 procesa una hora de audio en menos de un minuto—, así que para un trabajo por lotes nocturno que rellena un archivo de pódcasts, la diferencia es invisible. Para cualquier cosa interactiva, no lo es.

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.

Imagina un agente de voz que necesita una transcripción antes de poder decidir qué decir a continuación. A 76,8×, una hora de audio requiere 47 segundos de cómputo. Eso está bien cuando el audio es una grabación terminada y es inútil cuando el audio llega en directo, por lo que ElevenLabs vende un modelo en tiempo real separado para esa tarea en lugar de apuntar al modelo por lotes. La respuesta de Microsoft también es un SKU de streaming separado. El modelo por lotes de ninguno de los dos proveedores es la herramienta adecuada para audio en directo; la cifra de rendimiento importa para otro caso: canalizaciones asíncronas de gran volumen en las que se procesan miles de horas al día y es la cola, no la persona que llama, la que espera.

A 10.000 horas al mes, 76,8× necesita unas 130 horas de cómputo y 338,5× necesita unas 30. Esa es la diferencia entre un clúster que alquilas por horas y uno que apenas notas. También es la diferencia entre un backfill que termina durante la noche y uno que termina a lo largo de un fin de semana.

Precio: un factor de dos, con fecha de caducidad

En precio de lista, la diferencia es más clara que la diferencia de precisión. MAI-Transcribe-2 cuesta $0.10 por hora de audio, o $1.67 por cada 1,000 minutos. Scribe v3 cuesta $0.20 por hora de audio tras el recorte de ElevenLabs del 17 de noviembre, o $3.33 por cada 1,000 minutos. Exactamente el doble, en ambos extremos.

La tarifa de Microsoft conlleva una salvedad que debe figurar en cualquier presupuesto basado en ella: 0,10 USD por hora es una oferta introductoria vigente hasta finales de 2026, y Microsoft no ha publicado la tarifa estándar posterior. Un plan para 2027 fijado en 1,67 USD por cada 1.000 minutos es un plan que incluye una partida sin precio. La tarifa de ElevenLabs es el precio de lista vigente tras un recorte, no una promoción, lo que la convierte en la cifra más defendible para un modelo plurianual, aunque hoy sea la más alta.

Otros dos costos quedan fuera de la tarifa principal y ambos favorecen a ElevenLabs. El prompting de términos clave en Scribe v3 se factura a 0,05 USD por hora adicionales a la tarifa base; la edición de transcripciones, a 0,07 USD. Microsoft incluye el sesgo de palabras clave en la llamada de transcripción. Y la tarifa por hora de ElevenLabs cubre la diarización, la detección de entidades y las marcas de tiempo por palabra en la misma pasada, mientras que Microsoft mide a través de recursos de Azure Speech, donde los servicios circundantes tienen sus propias partidas. El múltiplo de dos es real, pero es un límite inferior de la diferencia, no un límite superior.

Características en las que realmente divergen

• Modo literal — MAI-Transcribe-2 lo tiene, como una opción que alterna entre estilos de salida literal y limpio. Scribe v3 no; ElevenLabs documenta «no verbatim mode» para el modelo. Para la grabación de cumplimiento, la puntuación de QA y cualquier caso en el que un falso comienzo sea evidencia, eso es un requisito indispensable y decide la elección por sí solo.

• Amplitud de idiomas — Scribe v3 está documentado en más de 90 idiomas; MAI-Transcribe-2 en 60, con una tabla de soporte por idioma publicada y la identificación automática de idioma activada de forma predeterminada. ElevenLabs enumera los nombres de los idiomas, pero su desglose de precisión es más limitado que su afirmación de cobertura.

• Diarización: Scribe v3 admite hasta 32 hablantes, y el proveedor afirma un 12 % menos de errores de diarización que la v2 y un 17 % menos con tres o más hablantes. MAI-Transcribe-2 ofrece la diarización como parámetro con segmentos etiquetados por hablante, y Microsoft no publica ninguna tasa de error de diarización. Que no se mida no es lo mismo que sea malo, pero no se mide.

• Vocabulario de dominio — Scribe v3 acepta hasta 1.000 términos clave por solicitud por lotes. MAI-Transcribe-2 acepta una lista de frases de longitud arbitraria como indicaciones de reconocimiento, y la documentación especifica explícitamente que los términos son indicaciones y no una salida forzada.

• Forma de implementación — MAI-Transcribe-2 se ejecuta mediante el punto de conexión en modo mejorado de Azure Speech en regiones especificadas, con rutas REST y SDK, y una integración con Voice Live para la transcripción de entrada. Scribe v3 es un cambio de ID de modelo en una integración existente de ElevenLabs, con procesamiento en EE. UU. de forma predeterminada y opciones de residencia en la UE, India y Singapur en los planes empresariales.

• Cumplimiento normativo: ElevenLabs exige un Acuerdo de Asociado Comercial (BAA) firmado a través del equipo de ventas antes de realizar cualquier trabajo relacionado con HIPAA, y su documentación no indica que Scribe v3 en sí sea apto para HIPAA, solo que los clientes del sector sanitario deben firmar un BAA primero. El conjunto de servicios Azure Speech de Microsoft cuenta con la habitual cobertura de cumplimiento regional y empresarial. Lea detenidamente ambos documentos antes de procesar audio de pacientes con cualquiera de los dos.

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.

Ejecutando ambos sin un segundo contrato

La respuesta realista para la mayoría de los equipos no es un ganador, sino una división: un modelo para el corpus en el que gana, enrutado según la carga de trabajo. Ese es el caso para el que existe la capa de enrutamiento de OrcaRouter más arriba en el pipeline —las transcripciones se resumen, se clasifican y se actúa sobre ellas, y esas son las llamadas que se multiplican. Una API para más de 200 modelos, precios de lista de los proveedores repercutidos con un 0 % de margen, conmutación por error automática, y un DSL de enrutamiento que puede enviar la transcripción de una reunión a un resumidor y una transcripción de cumplimiento a otro sin una segunda integración. Ni Scribe v3 ni MAI-Transcribe-2 están en nuestro catálogo —ambos los sirven sus proveedores—, así que la división sigue implicando dos contratos de voz. Lo que se simplifica es todo lo que está aguas abajo de la transcripción.

Si de verdad quieres un único proveedor, el desempate es barato de ejecutar: toma cien horas de tu propio audio, evalúa ambos con él y fíjate en el subconjunto con forma de Earnings-22 en lugar del promedio. La brecha compuesta de 0,09 puntos es menor que la diferencia que cualquiera de los dos modelos muestra entre corpus, lo que significa que la tabla de clasificación publicada es un prior, no una respuesta.

¿Quién debería elegir cuál?

Elige MAI-Transcribe-2 si tu audio es conversacional, tu volumen es alto, tu pipeline es asíncrono y necesitas una salida literal — y presupuesta que la tarifa cambie en enero. Elige Scribe v3 si necesitas amplitud de idiomas, un gran número de hablantes, una declaración publicada sobre diarización o un precio que puedas incluir en un modelo a tres años sin un asterisco. Elige ambos, divididos por corpus, si tienes la tolerancia operativa — la diferencia de precisión entre ellos es lo bastante pequeña como para que la decisión sea realmente sobre el rendimiento, el soporte para transcripción literal y en qué precio confías que siga existiendo el año que viene.