Carte de titre indiquant « Scribe v3 Live Medical vs MAI Transcribe 2 Streaming » avec le sous-titre « un seul a un prix ». En dessous, deux cartes arrondies côte à côte : la carte de gauche, intitulée « callable », liste l’ID du modèle, le tarif horaire et quatre régions Azure ; la carte de droite, intitulée « bundled », affiche une seule ligne indiquant « included in ElevenAgents pricing », la ligne de l’ID du modèle étant grisée.
Guides & Insights

Scribe v3 Live Medical vs MAI Transcribe 2 Streaming : un seul affiche un prix

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Mettez côte à côte Scribe v3 Live Medical et MAI-Transcribe-2-Streaming, et la première différence n’est ni la précision, ni la latence, ni le nombre de langues. C’est que l’un est un produit et l’autre une fonctionnalité. MAI-Transcribe-2-Streaming dispose d’une chaîne de modèle que l’on transmet à une API, d’un tarif publié, d’un statut de préversion, de quatre régions Azure nommées et de deux voies d’intégration documentées. Scribe v3 Live Medical dispose d’un menu déroulant dans les paramètres d’un agent ElevenAgents, d’un accès anticipé sur validation et d’aucun prix propre, car il est inclus dans un abonnement. Microsoft a livré un transcripteur ; ElevenLabs a livré une capacité au sein d’une plateforme qu’elle vend également.

Cette asymétrie fait de la comparaison de précision la partie la moins utile de cette page et de la comparaison des achats la plus utile. Pourtant, les chiffres méritent d’être cités, car ceux de Microsoft sont les plus agressifs : un taux d’erreur de mots en streaming revendiqué de 2,5 % avec 0,13 seconde pour obtenir une transcription finale, contre 12,8 % pour ElevenLabs sur des consultations cliniques simulées. Ces deux chiffres sont séparés d’un facteur cinq et n’ont presque rien en commun, ce qui explique précisément pourquoi cette confrontation exige de la prudence plutôt qu’un verdict.

Ce que Microsoft a réellement livré

MAI-Transcribe-2-Streaming est le compagnon en temps réel de MAI-Transcribe-2, le modèle par lots interne de Microsoft AI. Il est arrivé le 1er octobre 2026 en préversion publique, environ un mois après la sortie du modèle par lots, et il est servi via la pile vocale d’Azure plutôt que via un point de terminaison IA distinct. Deux voies d’intégration documentées existent : un WebSocket compatible avec OpenAI Realtime, et le kit SDK Azure Speech, qui gère pour vous la gestion des connexions, les nouvelles tentatives et la diffusion audio en continu. Les deux renvoient des résultats intermédiaires qui se mettent à jour sur place et des résultats finaux qui confirment chaque segment.

Les affirmations que Microsoft y associe, étiquetées comme des affirmations du fournisseur parce que c'est ce qu'elles sont : premières pour la précision à la fois sur les transcriptions finales et partielles dans l'évaluation en streaming d'Artificial Analysis, avec un taux d'erreur sur les mots de 2,5 %, la transcription finale étant prête 0,13 seconde après la fin de la parole, et de 2,5 % sur la première transcription partielle à 0,12 seconde. La réserve importante, partagée par le lancement par lots : le tableau de suivi n'a pas représenté ce modèle sous forme de ligne. Microsoft revendique un résultat selon la méthodologie d'un tiers, et ne cite pas une mesure publiée par un tiers. Le leader réel du streaming au sein du classement, au moment de la rédaction, était Grok Voice Transcribe 2.0, à 2,73 % et 0,49 seconde.

Tout le reste à ce sujet est ordinaire et bien documenté : 60 langues avec détection automatique et continue de la langue, alternance codique pour des paires mixtes comme Hinglish et Spanglish, des affirmations de robustesse au bruit, et une disponibilité dans Suède Centre, Centre des États-Unis, Est des États-Unis 2 et Asie du Sud-Est. L'avertissement de préversion est une formulation Azure standard : aucun contrat de niveau de service, non recommandé pour les charges de travail de production.

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'.

Ce qu’ElevenLabs a lancé, et pourquoi cela relève d’une catégorie différente

Scribe v3 Live Medical fait partie de la famille Scribe v3 lancée le 9 novembre 2026, et c’est son membre médical en temps réel. La documentation d’ElevenLabs est sans ambiguïté sur la limite : il n’est disponible que dans ElevenAgents, il n’est pas disponible via l’API Speech to Text, et si vous souhaitez une transcription médicale via l’API, vous devez utiliser Scribe v2 Medical — le modèle par lots, à 0,20 $ l’heure, qui est un produit normal avec un ID de modèle.

Trois conséquences en découlent, et elles comptent plus que tout chiffre de WER :

• Vous ne pouvez pas lui attribuer un prix. Il est inclus dans la tarification standard d’ElevenAgents, qui facture à la minute de conversation et regroupe l’ASR avec le LLM de l’agent, la téléphonie, la synthèse vocale et les appels d’outils. Il n’existe pas de tarif ASR séparable, donc aucun chiffre à mettre dans un tableur de comparaison.

• Vous ne pouvez pas l’évaluer vous-même en dehors de la plateforme. Le seul chiffre publié provient du test réalisé par ElevenLabs elle-même sur PriMock57 — 57 consultations simulées en soins primaires — où il a obtenu 12,8 % contre 15,5 % pour AssemblyAI Universal-3.6 Pro Realtime en mode médical, 16,3 % pour Speechmatics Oak-1, 17,0 % pour Deepgram Nova-3 Pharma et 17,2 % pour Nova-3 Medical.

• Vous ne pouvez pas encore lui envoyer de PHI. La documentation le dit clairement : n'envoyez pas de données de santé protégées à Scribe v3 Live Medical tant que l'éligibilité HIPAA n'est pas confirmée, et la résidence des données dans l'UE n'est pas disponible pendant l'accès anticipé. C'est une déclaration plus ferme que la mention générale « compatible HIPAA » de la page marketing, et c'est celle qu'un responsable de la conformité lira.

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 % contre 12,8 % ne constitue pas un écart de cinq fois

Cela y ressemble. Ce n’est pas le cas, et ce pour trois raisons, chacune étant un type différent de problème de mesure.

Les corpus sont différents. Le banc d'essai de streaming d'Artificial Analysis mesure la parole générale dans de nombreuses langues et conditions ; PriMock57 est constitué de 57 consultations simulées chez le médecin généraliste, au cours desquelles deux personnes discutent de symptômes, d'ordonnances et de résultats d'examens. Les consultations cliniques sont plus difficiles pour tous les modèles — le propre graphique d'ElevenLabs montre quatre moteurs temps réel concurrents regroupés entre 15,5 % et 17,2 % sur ce corpus, dont deux modèles conçus spécifiquement pour l'audio médical. Un score de 12,8 % sur cet ensemble est un résultat solide ; un score de 2,5 % sur un ensemble général est une réussite d'un autre ordre.

Les conditions sont différentes. Le chiffre de Microsoft est une affirmation fondée sur la méthodologie d’un tiers, et non une ligne que ce tiers publie. Le chiffre d’ElevenLabs est une évaluation réalisée par un fournisseur sur un jeu de données public choisi par le fournisseur. Aucun des deux n’est une mesure que l’on peut opposer à l’autre sans exécuter les deux sur le même audio, et personne ne l’a fait.

Les tâches sont différentes d’une manière qui compte sur le plan clinique. Le modèle de Microsoft est un transcripteur général avec biais par mots-clés et un cas d’usage documenté pour les notes cliniques ; il n’est pas affiné sur les noms de médicaments. Le modèle d’ElevenLabs est un affinage de Scribe v3 Live destiné exactement à ce vocabulaire. Sur un benchmark général propre, on devrait s’attendre à ce que le modèle général l’emporte. Sur « il prend de la metformine 1000 deux fois par jour, de l’empagliflozine 10 et de l’atorvastatine 40 » — la phrase d’exemple sur la page médicale d’ElevenLabs — c’est l’affinage qui a une raison d’être meilleur, et c’est le modèle général qui s’appuie sur sa liste d’expressions.

C’est la différence de latence qui est réelle.

Les 0,13 seconde de Microsoft pour obtenir une transcription finale sont le chiffre qui devrait inquiéter un concurrent, car c’est le genre de valeur sur laquelle une plateforme peut être bâtie. En dessous d’environ 0,2 seconde, le texte des sous-titres est perçu comme simultané à la parole ; à un tiers de seconde, on a l’impression que la transcription court après le locuteur. ElevenLabs ne publie pas de latence pour la variante médicale, seulement qu’elle équivaut à Scribe v3 Live, dont la comparaison de famille affiche un WER sémantique inférieur de 44 % à celui de Scribe v2 Realtime — un modèle qu’ElevenLabs documente à environ 150 ms de temps médian jusqu’à la transcription validée. L’interprétation plausible est donc que les deux se situent dans le même voisinage inférieur au quart de seconde et que la différence n’est pas perceptible pour une personne qui lit en suivant.

Là où la différence se manifeste vraiment, c’est sur l’endpointing, et ici ElevenLabs a l’explication la plus précise. Sa prédiction de tour s’appuie sur le contexte de la conversation pour déterminer si un appelant a terminé, de sorte qu’un agent attend pendant les pauses à l’intérieur d’un identifiant de membre ou d’une date de naissance au lieu de répondre aux trois premiers chiffres. L’équivalent chez Microsoft est la détection avancée de fin de tour de l’API Voice Live, qui est une propriété de la couche agent plutôt que du transcripteur. Les deux résolvent le problème. L’un le résout au sein du produit ASR et l’autre une couche au-dessus, et si vous assemblez votre propre boucle d’agent, la couche compte.

Coût, côte à côte, avec les trous marqués

• Microsoft — 0,54 $ par heure audio est le tarif d’introduction de MAI-Transcribe-2-Streaming, aucun prix standard n’étant communiqué ; Microsoft a déjà appliqué cette structure, et le tarif de lancement du modèle par lots était explicitement limité dans le temps.

• ElevenLabs — aucun tarif ASR n’existe pour Scribe v3 Live Medical. La famille s’appuie sur l’API aux tarifs de 0,22 $ par heure pour Scribe v3 Live et de 0,08 $ par heure pour l’invite de mots-clés en temps réel, et le produit médical de l’API, Scribe v2 Medical, est à 0,20 $ par heure sur le point de terminaison par lots.

• À grande échelle — 10 000 minutes d’audio diffusé en continu coûtent environ 90 $ au tarif introductif de Microsoft et sont impossibles à quantifier avec la tarification de la plateforme d’ElevenLabs, où ces mêmes dix mille minutes facturent également les tokens LLM, la téléphonie et la voix.

• Vocabulaire personnalisé — La liste d’expressions de Microsoft est un paramètre de requête sans surcoût publié ; ElevenLabs inclut jusqu’à 10 000 termes personnalisés sans frais supplémentaires dans ElevenAgents, et facture 0,08 $ par heure pour les termes clés en temps réel sur les modèles API.

Il vaut la peine de s’arrêter sur cette dernière paire, car 10 000 termes ne sont pas un chiffre rond marketing : c’est à peu près la taille du formulaire thérapeutique d’un système de santé de taille moyenne, plus son répertoire de prestataires. Si votre problème de vocabulaire clinique est important, le budget de termes est une véritable caractéristique, et la liste de phrases de Microsoft, documentée comme des indices plutôt que comme une sortie imposée, est un mécanisme différent avec des modes de défaillance différents.

Où se situe la couche de raisonnement

Aucun de ces deux modèles ne décide quoi que ce soit. Un agent vocal clinique reprend la transcription et en fait quelque chose — vérifie une règle de couverture, rédige une note, décide s'il faut orienter vers un infirmier — et cette étape est un appel de modèle distinct avec son propre budget de latence. Dans un pipeline en temps réel, le temps jusqu'au premier token du modèle de raisonnement contribue souvent davantage au délai perçu que les 0,13 ou 0,15 seconde du transcripteur.

C’est sur ce volet qu’un routeur justifie sa place. OrcaRouter propose 215 modèles derrière une seule API compatible OpenAI, avec 0 % de marge, les prix catalogue des fournisseurs étant répercutés sans modification, avec un basculement automatique entre fournisseurs — ainsi, le modèle qui raisonne sur une transcription peut être remplacé par un plus rapide, ou basculé en cours d’appel, sans toucher à l’intégration Azure ou ElevenLabs. Nous ne proposons pas Scribe v3 Live Medical ni MAI-Transcribe-2-Streaming ; le volet transcription reste là où vous l’avez acheté.

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.

Le verdict, énoncé sous forme de décision d'achat

Choisissez MAI-Transcribe-2-Streaming si vous avez besoin d’un transcripteur que vous pouvez appeler, tarifer et faire figurer dans une grille tarifaire. C’est le seul des deux à être un modèle plutôt qu’une fonctionnalité de plateforme, sa documentation va jusqu’à la région et au SDK, et son couple précision-latence revendiqué constitue la position publiée la plus forte en ASR en streaming à l’heure actuelle — avec la réserve que cette affirmation est celle de Microsoft et que le conseil ne l’a pas reportée sur un graphique. Appuyez-vous sur la préversion avec les précautions d’usage : pas de SLA, et un prix de lancement qui évoluera.

Choisissez Scribe v3 Live Medical si vous achetez un agent, et non un transcripteur — si le système téléphonique, la gestion des tours de parole, la voix et les garde-fous doivent de toute façon être ceux d’ElevenLabs, alors un fine-tuning clinique au sein de cette pile technologique vaut plus qu’un WER général supérieur que vous devriez intégrer vous-même. Testez-le d’abord sur vos propres enregistrements, et n’y faites pas passer de PHI tant que la documentation vous avertit encore de ne pas le faire.

Si vous êtes vraiment indécis, le départage ne se trouve sur le site d’aucun fournisseur : faites passer vingt de vos propres appels par les deux, comptez les erreurs qui auraient modifié une décision clinique plutôt que les erreurs globales, puis comparez ce nombre à ce que chaque option vous coûte par mois, y compris les éléments que vous devriez sinon construire vous-même. À ce test, les 2,5 % et les 12,8 % seront tous deux faux, et le classement pourrait bien s’inverser.