כרטיס כותרת שעליו כתוב 'Scribe v3 vs MAI Transcribe 2' עם כתובית המשנה 'דיוק או תפוקה — בחרו את צוואר הבקבוק שלכם', לצד שני זוגות עמודות המסומנות 'דיוק (AA-WER)' ב-1.95% וב-2.04% ו'מהירות (× זמן אמת)' ב-76.8x וב-338.5x ארוך בהרבה, עם כותרת תחתונה 'כל הנתונים לפי Artificial Analysis, AA-WER v2.2, לא-סטרימינג'.
Guides & Insights

Scribe v3 לעומת MAI Transcribe 2: 0.09 נקודות ופער מהירות פי 4.4

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

אם תעמידו את ElevenLabs Scribe v3 ואת MAI-Transcribe-2 על אותה מערכת בדיקה, הן מסיימות בהפרש של 0.09 נקודות אחוז בשיעור שגיאות המילים — 1.95% מול 2.04% במדד AA-WER הלא-סטרימינג של Artificial Analysis. אם תעמידו אותן על אותו ספסל בדיקת תפוקה, אחת מהן מסיימת שעת אודיו זהה בכבערך רבע מזמן השעון בפועל. שתי העובדות הללו מצביעות לכיוונים מנוגדים, ואיזו מהן תבחרו תלוי בשאלה שרוב השוואות התמלול לא שואלות מעולם: האם צוואר הבקבוק שלכם הוא המילים או השעון. Scribe v3 הוא המודל המדויק יותר בפער שתתקשו למדוד בפרודקשן. MAI-Transcribe-2 מהיר פי 4.4 ובעלות חצי. העמוד הזה עוסק בשאלה בעבור איזו מהן באמת כדאי לכם לשלם.

התחל עם הקורפוס שנראה כמו האודיו שלך

הפער המשוקלל של 0.09 נקודות הוא ממוצע, והממוצע מסתיר היפוך. בקורפוס Earnings-22 של Artificial Analysis — אודיו טלפוני ספונטני, עם מבטא, מרובה דוברים, הדבר הקרוב ביותר בלוח לשיחת מכירות אמיתית — MAI-Transcribe-2 מקבל 2.99% ו-Scribe v3 מקבל 3.34%. מיקרוסופט מנצחת בקורפוס הזה ב-0.35 נקודות, פי ארבעה מגודל הפער המשוקלל, בכיוון ההפוך. במערך דיבור ההקראה המרכזי Scribe v3 מנצחת 1.47% מול 1.83%. ב-VoxPopuli, דיבור פרלמנטרי, זה 1.52% מול 1.50% — תיקו מוחלט בתוך הרעש.

אז "Scribe v3 מדויק יותר" הוא אמירה על ממוצע, והממוצע הוא בעל משמעות רק אם האודיו שלך הוא ממוצע של ספרי שמע, דיוני פרלמנט ושיחות ועידה. עומסי מוקדי שירות וסוכני קול אינם כאלה; הם בצורת Earnings-22, ובקורפוס הזה הדירוג מתהפך. עומסי פודקאסטים וארכיוני מדיה הם בצורת דיבור נקרא, ובאלה היתרון של Scribe v3 אמיתי וגדול מכפי שהמדד המשולב מרמז.

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.

שתי קבוצות המספרים הן מדידות של Artificial Analysis על מערכת בדיקה משותפת, וזו הסיבה היחידה שבכלל יש טעם לערוך את ההשוואה. חומרי ההשקה של אף אחד מהספקים אינם בני-השוואה לאלה של האחר: ElevenLabs מדווחת על שיפור יחסי של 27% ב-FLEURS לעומת Scribe v2 ב-102 שפות, Microsoft מדווחת על ממוצע FLEURS של 5.2% ב-60 שפות, ושני המספרים הללו מחושבים על קבוצות שפות שונות עם שיטת מיצוע שונה. לוח הדירוג של צד שלישי הוא המקום היחיד שבו שני המודלים נפגשים בתנאים שווים.

ה־4.4× הוא המספר שמשנה את הארכיטקטורה

תפוקה היא הנקודה שבה שני המודלים מפסיקים להיראות כתחליפים. MAI-Transcribe-2 פועל במקדם מהירות חציוני של 338.5 בבנצ'מרק של Artificial Analysis; Scribe v3 פועל ב-76.8. שניהם מהירים בהרבה מזמן אמת — Scribe v3 מסיים שעה של אודיו בפחות מדקה — כך שלמשימת אצווה לילית שמשלימה ארכיון פודקאסטים, ההבדל אינו נראה לעין. עבור כל דבר אינטראקטיבי הוא כן.

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.

שקול סוכן קולי שזקוק לתמלול לפני שהוא יכול להחליט מה לומר הלאה. בקצב של 76.8×, שעה של אודיו דורשת 47 שניות מחשוב. זה בסדר כשהאודיו הוא הקלטה מוגמרת וחסר תועלת כשהאודיו מגיע בזמן אמת, ולכן ElevenLabs מוכרת מודל בזמן אמת נפרד למשימה הזו במקום להפנות למודל האצווה. התשובה של Microsoft היא גם SKU נפרד לסטרימינג. מודל האצווה של אף אחד מהספקים אינו הכלי המתאים לאודיו חי; מספר התפוקה חשוב למקרה אחר — פייפליינים אסינכרוניים בנפח גבוה שבהם אתם מעבדים אלפי שעות ביום והתור, לא המתקשר, הוא שממתין.

ב-10,000 שעות בחודש, מכפיל של 76.8× דורש כ-130 שעות מחשוב, ומכפיל של 338.5× דורש כ-30. זה ההבדל בין אשכול ששוכרים לפי שעה לבין כזה שבקושי שמים לב אליו. זה גם ההבדל בין תהליך מילוי חוזר שמסתיים בן לילה לבין כזה שמסתיים במהלך סוף שבוע.

מחיר: פי שניים, עם תאריך תפוגה

במחיר המחירון, הפער נקי יותר מפער הדיוק. MAI-Transcribe-2 עולה $0.10 לשעת אודיו, או $1.67 ל-1,000 דקות. {{1}}Scribe v3 עולה $0.20 לשעת אודיו לאחר הורדת המחיר של ElevenLabs ב-17 בנובמבר, או $3.33 ל-1,000 דקות.{{/1}} בדיוק כפול, בשני הקצוות.

התעריף של מיקרוסופט כולל הסתייגות שחייבת להיכלל בכל תקציב שנבנה עליו: 0.10 דולר לשעה הוא הצעה היכרות שנמשכת עד סוף 2026, ומיקרוסופט לא פרסמה את התעריף הסטנדרטי שיחול לאחר מכן. תוכנית לשנת 2027 שנשענת על 1.67 דולר ל-1,000 דקות היא תוכנית שיש בה שורה ללא מחיר. התעריף של ElevenLabs הוא מחיר המחירון הקבוע לאחר קיצוץ, ולא מבצע, מה שהופך אותו למספר שניתן להגן עליו יותר עבור מודל רב-שנתי, אף שהוא הגבוה מבין השניים כיום.

שתי עלויות נוספות ניצבות מחוץ לתעריף הכותרת ושתיהן לטובת ElevenLabs. הנחיית מונחי מפתח ב-Scribe v3 מחויבת ב-$0.05 לשעה מעל התעריף הבסיסי; עריכת תמלול ב-$0.07. Microsoft מטמיעה הטיית מילות מפתח בתוך קריאת התמלול. ותעריף השעה של ElevenLabs מכסה דיאריזציה, זיהוי ישויות וחותמות זמן של מילים באותו מעבר, בעוד ש-Microsoft מחייבת דרך משאבי Azure Speech שבהם לשירותים הסובבים יש סעיפי חיוב משלהם. מכפיל הפי שניים אמיתי, אך הוא רצפה לפער, לא תקרה.

תכונות שבהן הם באמת נבדלים

• מצב מילולי — ל-MAI-Transcribe-2 יש אותו, כמתג בין סגנונות פלט מילוליים ונקיים. ל-Scribe v3 אין; ElevenLabs מתעדת "אין מצב מילולי" עבור המודל. עבור הקלטת תאימות, ניקוד QA וכל דבר שבו התחלה כוזבת היא ראיה, זו דרישת חובה והיא מכריעה את הבחירה בעצמה.

• רוחב שפות — {{1}}Scribe v3 מתועד ב-90+ שפות; MAI-Transcribe-2 ב-60, עם טבלת תמיכה לפי שפה שפורסמה וזיהוי שפה אוטומטי מופעל כברירת מחדל.{{/1}} ElevenLabs מפרטת שמות שפות, אך פירוט הדיוק שלה צר יותר מהצהרת הכיסוי שלה.

• דיאריזציה — Scribe v3 תומך בעד 32 דוברים, כאשר הספק טוען ל-12% פחות שגיאות דיאריזציה מאשר v2 ול-17% פחות כאשר יש שלושה דוברים או יותר. MAI-Transcribe-2 מציע דיאריזציה כפרמטר עם מקטעים המסומנים לפי דובר, ומיקרוסופט אינה מפרסמת שיעור שגיאות דיאריזציה כלל. לא-מדוד אינו זהה לרע, אך הוא נותר לא-מדוד.

• אוצר מילים תחומי — Scribe v3 מקבל עד 1,000 מונחי מפתח לכל בקשת אצווה. MAI-Transcribe-2 מקבל רשימת ביטויים באורך שרירותי כרמזי זיהוי, כאשר התיעוד מבהיר במפורש שהמונחים הם רמזים ולא פלט כפוי.

• תצורת פריסה — MAI-Transcribe-2 פועל דרך נקודת הקצה במצב משופר של Azure Speech באזורים מוגדרים, עם נתיבי REST ו-SDK ושילוב Voice Live לתמלול קלט. Scribe v3 הוא שינוי של מזהה מודל באינטגרציית ElevenLabs קיימת, עם עיבוד בארה"ב כברירת מחדל ואפשרויות מיקום פיזי באיחוד האירופי, הודו וסינגפור בתוכניות ארגוניות.

• ציות — ElevenLabs דורשת הסכם שותף עסקי (BAA) חתום דרך מחלקת המכירות לפני עבודה בהתאם ל-HIPAA, והתיעוד שלה אינו מציין ש-Scribe v3 עצמו עומד בדרישות HIPAA, אלא רק שלקוחות בתחום הבריאות חייבים לחתום תחילה על BAA. מערך Azure Speech של Microsoft כולל את משטח הציות האזורי והארגוני הרגיל. יש לקרוא את שניהם בקפידה לפני העברת אודיו של מטופלים דרך אחד מהם.

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.

הרצת שניהם ללא חוזה שני

התשובה הריאלית עבור רוב הצוותים אינה מנצח אלא פיצול: מודל אחד עבור הקורפוס שבו הוא מנצח, בניתוב לפי עומס עבודה. זה המקרה ששכבת הניתוב של OrcaRouter קיימת עבורו בהמשך הצינור — תמלולים מסוכמים, מסווגים ומטופלים, ואלה הקריאות שמתרבות. API אחד על פני 200+ מודלים, מחירי המחירון של הספקים מועברים הלאה ללא תוספת של 0%, מעבר אוטומטי לגיבוי, ו-DSL לניתוב שיכול לשלוח תמלול פגישה למסכם אחד ותמלול ציות לאחר בלי אינטגרציה שנייה. לא Scribe v3 ולא MAI-Transcribe-2 נמצאים ברשימה שלנו — שניהם מסופקים על ידי הספקים שלהם — כך שהפיצול עדיין משמעו שני חוזי דיבור. מה שקורס הוא כל מה שנמצא במורד הזרם מהתמלול.

אם בכל זאת אתם רוצים ספק אחד, שובר השוויון זול להרצה: קחו מאה שעות מהאודיו שלכם, דרגו את שניהם עליו, והסתכלו על תת-הקבוצה במתכונת Earnings-22 ולא על הממוצע. הפער המשולב של 0.09 נקודות קטן מההבדל שכל מודל מציג בין קורפוסים, מה שאומר שלוח הדירוג שפורסם הוא פריור, לא תשובה.

מי צריך לבחור מה

בחרו ב-MAI-Transcribe-2 אם השמע שלכם שיחתי, הנפח שלכם גבוה, הצינור שלכם אסינכרוני, ואתם צריכים פלט מילולי מדויק — ותקצו לתעריף שמשתנה בינואר. בחרו ב-Scribe v3 אם אתם צריכים רוחב שפות, מספר גדול של דוברים, הצהרת דיאריזציה מפורסמת, או מחיר שאפשר להכניס למודל תלת־שנתי בלי כוכבית. בחרו בשניהם, בפיצול לפי קורפוס, אם יש לכם את התיאבון התפעולי — הפער בדיוק ביניהם קטן מספיק שההחלטה היא למעשה על תפוקה, תמיכה בפלט מילולי מדויק, ובשאלה של איזה תמחור אתם סומכים שימשיך להתקיים גם בשנה הבאה.