
Scribe v3 vs MAI Transcribe 2 : 0,09 point et un écart de vitesse de 4,4x
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 186 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 358 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 139 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Placez ElevenLabs Scribe v3 et MAI-Transcribe-2 sur un même banc d’essai et ils terminent à 0,09 point de pourcentage d’écart sur le taux d’erreur sur les mots — 1,95 % contre 2,04 % sur l’AA-WER Index non-streaming d’Artificial Analysis. Placez-les sur un même banc de débit et l’un d’eux traite la même heure d’audio en environ un quart du temps horloge. Ces deux faits pointent dans des directions opposées, et celui que vous suivez dépend d’une question que la plupart des comparaisons de transcription ne posent jamais : votre goulot d’étranglement, ce sont les mots ou l’horloge ? Scribe v3 est le modèle le plus précis, avec une marge que vous aurez du mal à mesurer en production. MAI-Transcribe-2 est 4,4 fois plus rapide et deux fois moins cher. Cette page traite de celui pour lequel vous devriez réellement payer.
Commencez par le corpus qui ressemble à votre audio
L'écart composite de 0,09 point est une moyenne, et la moyenne masque un renversement. Sur le corpus Earnings-22 d'Artificial Analysis — de l'audio téléphonique spontané, accentué et multi-locuteurs, ce qui, sur le tableau, se rapproche le plus d'un véritable appel commercial — MAI-Transcribe-2 obtient 2,99 % et Scribe v3 3,34 %. Microsoft l'emporte sur ce corpus avec 0,35 point d'avance, soit quatre fois la taille de l'écart composite, mais dans le sens opposé. Sur l'ensemble principal de parole lue, Scribe v3 l'emporte avec 1,47 % contre 1,83 %. Sur VoxPopuli, discours parlementaire, c'est 1,52 % contre 1,50 % — une égalité dans le bruit.
Ainsi, « Scribe v3 est plus précis » est une affirmation qui porte sur une moyenne, et cette moyenne n’a de sens que si votre audio est une moyenne de livres audio, de débats parlementaires et de conférences téléphoniques. Les charges de travail des centres de contact et des agents vocaux ne le sont pas ; elles ont la forme d’Earnings-22, et sur ce corpus, le classement s’inverse. Les charges de travail des podcasts et des archives médiatiques ont la forme de parole lue, et sur celles-ci, l’avantage de Scribe v3 est réel et plus important que ne le suggère le composite.

Les deux séries de chiffres sont des mesures d’Artificial Analysis effectuées sur un banc d’essai commun, ce qui est la seule raison pour laquelle la comparaison vaut la peine d’être faite. Les documents de lancement propres à chaque fournisseur ne sont pas comparables entre eux : ElevenLabs annonce un gain FLEURS relatif de 27 % par rapport à Scribe v2 sur 102 langues, Microsoft annonce une moyenne FLEURS de 5,2 % sur 60 langues, et ces deux chiffres sont calculés sur des ensembles de langues différents avec des modes de calcul de moyenne différents. Le classement tiers est le seul endroit où les deux modèles se rencontrent à armes égales.
Le 4,4× est le chiffre qui change l’architecture.
Le débit est le point où les deux modèles cessent de ressembler à des substituts. MAI-Transcribe-2 atteint un facteur de vitesse médian de 338,5 sur le banc d’essai d’Artificial Analysis ; Scribe v3 atteint 76,8. Les deux sont bien plus rapides que le temps réel — Scribe v3 traite une heure d’audio en moins d’une minute —, de sorte que, pour une tâche par lots nocturne qui alimente une archive de podcasts, la différence est invisible. Pour tout ce qui est interactif, elle ne l’est pas.

Prenons l'exemple d'un agent vocal qui a besoin d'une transcription avant de pouvoir décider quoi dire ensuite. À 76,8×, une heure d'audio nécessite 47 secondes de calcul. C'est parfait lorsque l'audio est un enregistrement terminé, et inutile lorsque l'audio arrive en direct, ce qui explique pourquoi ElevenLabs vend un modèle en temps réel distinct pour ce travail plutôt que de pointer vers celui par lots. La réponse de Microsoft est également un SKU de streaming distinct. Aucun des modèles par lots de ces deux fournisseurs n'est l'outil approprié pour l'audio en direct ; le chiffre de débit compte pour un autre cas — des pipelines asynchrones à haut volume où vous traitez des milliers d'heures par jour et où c'est la file d'attente, et non l'appelant, qui attend.
À 10 000 heures par mois, 76,8× nécessite environ 130 heures de calcul et 338,5× environ 30. C’est la différence entre un cluster que l’on loue à l’heure et un autre que l’on remarque à peine. C’est aussi la différence entre un backfill qui se termine en une nuit et un autre qui se termine le temps d’un week-end.
Prix : un facteur de deux, avec une date d’expiration
Sur le prix catalogue, l’écart est plus net que l’écart de précision. MAI-Transcribe-2 coûte 0,10 $ par heure d’audio, soit 1,67 $ pour 1 000 minutes. Scribe v3 coûte 0,20 $ par heure d’audio après la baisse du 17 novembre d’ElevenLabs, soit 3,33 $ pour 1 000 minutes. Exactement le double, aux deux niveaux.
Le tarif Microsoft comporte une réserve qui doit figurer dans tout budget construit sur cette base : 0,10 $ de l’heure est une offre de lancement valable jusqu’à la fin de 2026, et Microsoft n’a pas publié le tarif standard qui suit. Un plan pour 2027 calé sur 1,67 $ par 1 000 minutes est un plan comportant une ligne sans prix. Le tarif ElevenLabs est le prix catalogue en vigueur après une baisse, et non une promotion, ce qui en fait le chiffre le plus défendable pour un modèle pluriannuel, même s’il est aujourd’hui le plus élevé.
Deux autres coûts se situent en dehors du tarif affiché, et tous deux favorisent ElevenLabs. Le prompting par termes clés sur Scribe v3 est facturé 0,05 $ l’heure en sus du tarif de base ; la modification de transcription, 0,07 $. Microsoft intègre le biais par mots clés dans l’appel de transcription. Et le tarif horaire d’ElevenLabs couvre la diarisation, la détection d’entités et les horodatages de mots dans la même passe, tandis que Microsoft facture via les ressources Azure Speech, où les services environnants ont leurs propres lignes de facturation. Le facteur deux est réel, mais il constitue un plancher de l’écart, pas un plafond.
Fonctionnalités où ils divergent véritablement
• Mode verbatim — MAI-Transcribe-2 le propose, sous forme de bascule entre des styles de sortie verbatim et nettoyé. Scribe v3 ne le propose pas ; ElevenLabs documente « pas de mode verbatim » pour le modèle. Pour l’enregistrement de conformité, la notation QA et tout cas où un faux départ constitue une preuve, il s’agit d’une exigence absolue qui suffit à elle seule à trancher.
• Étendue linguistique — Scribe v3 est documenté pour plus de 90 langues ; MAI-Transcribe-2 pour 60, avec un tableau de prise en charge par langue publié et l’identification automatique de la langue activée par défaut. ElevenLabs liste des noms de langues, mais le détail de sa précision est plus limité que sa couverture annoncée.
• Diarisation — Scribe v3 prend en charge jusqu’à 32 locuteurs, le fournisseur affirmant 12 % d’erreurs de diarisation en moins que la v2 et 17 % de moins à partir de trois locuteurs. MAI-Transcribe-2 propose la diarisation comme paramètre avec des segments étiquetés par locuteur, et Microsoft ne publie aucun taux d’erreur de diarisation. Non mesuré n’est pas synonyme de mauvais, mais cela reste non mesuré.
• Vocabulaire de domaine — Scribe v3 accepte jusqu'à 1 000 termes clés par requête par lot. MAI-Transcribe-2 accepte une liste d'expressions de longueur arbitraire comme indices de reconnaissance, la documentation précisant explicitement que les termes sont des indices et non une sortie imposée.
• Forme de déploiement — MAI-Transcribe-2 s’exécute via le point de terminaison en mode amélioré d’Azure Speech dans des régions nommées, avec des chemins REST et SDK et une intégration Voice Live pour la transcription d’entrée. Scribe v3 est un changement d’ID de modèle sur une intégration ElevenLabs existante, avec un traitement aux États-Unis par défaut et des options de résidence dans l’UE, en Inde et à Singapour sur les forfaits entreprise.
• Conformité — ElevenLabs exige un Business Associate Agreement signé via le service commercial avant toute activité liée à HIPAA, et sa documentation ne précise pas que Scribe v3 est lui-même éligible à HIPAA, seulement que les clients du secteur de la santé doivent d’abord signer un BAA. La pile Azure Speech de Microsoft présente les habituels dispositifs de conformité régionale et d’entreprise. Lisez attentivement les deux avant de faire transiter de l’audio de patients par l’un ou l’autre.

Exécuter les deux sans un deuxième contrat
Pour la plupart des équipes, la réponse réaliste n’est pas un gagnant mais une répartition : un modèle pour le corpus où il l’emporte, acheminé selon la charge de travail. C’est précisément le cas d’usage pour lequel la couche de routage d’OrcaRouter existe plus en amont dans le pipeline — les transcriptions sont résumées, classées et traitées, et ce sont ces appels qui se multiplient. Une API pour plus de 200 modèles, prix catalogue des fournisseurs répercutés avec 0 % de marge, basculement automatique, et un DSL de routage capable d’envoyer une transcription de réunion à un moteur de résumé et une transcription de conformité à un autre, sans seconde intégration. Ni Scribe v3 ni MAI-Transcribe-2 ne figurent dans notre catalogue — les deux sont fournis par leurs éditeurs — la répartition implique donc toujours deux contrats vocaux. Ce qui s’effondre, c’est tout ce qui se trouve en aval de la transcription.
Si vous tenez absolument à un seul fournisseur, le départage coûte peu à réaliser : prenez cent heures de vos propres enregistrements audio, évaluez les deux modèles dessus, et examinez le sous-ensemble de type Earnings-22 plutôt que la moyenne. L’écart composite de 0,09 point est inférieur à la différence que chaque modèle présente entre corpus, ce qui signifie que le classement publié est un a priori, et non une réponse.
Qui devrait choisir lequel ?
Choisissez MAI-Transcribe-2 si votre audio est conversationnel, votre volume est élevé, votre pipeline est asynchrone et vous avez besoin d'une sortie mot pour mot — et prévoyez que le tarif changera en janvier. Choisissez Scribe v3 si vous avez besoin d'une grande variété de langues, d'un grand nombre de locuteurs, d'une affirmation publiée sur la diarisation ou d'un prix que vous pouvez intégrer dans un modèle sur trois ans sans astérisque. Choisissez les deux, en répartissant par corpus, si vous avez l'appétit opérationnel — la différence de précision entre eux est suffisamment faible pour que la décision porte réellement sur le débit, la prise en charge du verbatim et la confiance que vous accordez à la pérennité du tarif de l'un ou l'autre l'année prochaine.
