
Scribe v3 Live Medical vs MAI Transcribe 2 Streaming: Hanya Satu yang Memiliki Harga
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
Bandingkan Scribe v3 Live Medical dan MAI-Transcribe-2-Streaming, dan perbedaan pertama bukanlah akurasi, latensi, atau jumlah bahasa. Perbedaannya adalah salah satunya merupakan produk dan yang lainnya merupakan fitur. MAI-Transcribe-2-Streaming memiliki string model yang Anda teruskan ke API, tarif yang dipublikasikan, status pratinjau, empat region Azure yang disebutkan, dan dua jalur integrasi yang didokumentasikan. Scribe v3 Live Medical memiliki dropdown di pengaturan agen ElevenAgents, gerbang akses awal, dan tidak memiliki harga sendiri karena dileburkan ke dalam langganan. Microsoft merilis sebuah transcriber; ElevenLabs merilis sebuah kapabilitas di dalam platform yang juga mereka jual.
Asimetri itu membuat perbandingan akurasi menjadi bagian paling tidak berguna di halaman ini dan perbandingan pengadaan menjadi yang paling berguna. Meski begitu, angka-angkanya tetap perlu disebutkan, karena angka Microsoft-lah yang agresif: klaim tingkat kesalahan kata streaming 2,5% pada 0,13 detik hingga transkrip akhir, dibandingkan dengan 12,8% milik ElevenLabs pada konsultasi simulasi klinis. Kedua angka itu terpaut lima kali dan hampir tidak menggambarkan hal yang sama, yang justru menjadi alasan perbandingan ini perlu kehati-hatian, bukan vonis.
Apa yang sebenarnya dirilis Microsoft
MAI-Transcribe-2-Streaming adalah pendamping real-time untuk MAI-Transcribe-2, model batch internal Microsoft AI. Model ini hadir pada 1 Oktober 2026 dalam pratinjau publik, sekitar sebulan setelah rilis batch, dan disajikan melalui tumpukan ucapan Azure, bukan melalui endpoint AI terpisah. Ada dua jalur integrasi yang didokumentasikan: WebSocket yang kompatibel dengan OpenAI Realtime, dan Azure Speech SDK, yang menangani manajemen koneksi, percobaan ulang, dan streaming audio untuk Anda. Keduanya mengembalikan hasil perantara yang diperbarui di tempat dan hasil akhir yang mengonfirmasi setiap segmen.
Klaim yang Microsoft sertakan padanya, diberi label sebagai klaim vendor karena memang itulah adanya: pertama dalam hal akurasi pada transkrip final maupun parsial dalam evaluasi streaming Artificial Analysis, pada tingkat kesalahan kata 2,5% dengan transkrip final siap 0,13 detik setelah akhir ucapan dan 2,5% pada transkrip parsial pertama pada 0,12 detik. Peringatan penting, yang juga disampaikan pada peluncuran batch: pelacak tersebut belum memplot model ini sebagai baris. Microsoft mengklaim hasil berdasarkan metodologi pihak ketiga, bukan mengutip pengukuran terbitan pihak ketiga. Pemimpin streaming sebenarnya di papan peringkat pada saat penyusunan adalah Grok Voice Transcribe 2.0 pada 2,73% dan 0,49 detik.
Semua hal lain tentangnya biasa saja dan terdokumentasi dengan baik: 60 bahasa dengan deteksi bahasa berkelanjutan otomatis, code-switching untuk pasangan campuran seperti Hinglish dan Spanglish, klaim ketahanan terhadap kebisingan, dan ketersediaan di Sweden Central, Central US, East US 2, dan Southeast Asia. Penafian pratinjau menggunakan bahasa standar Azure — tidak ada perjanjian tingkat layanan, tidak direkomendasikan untuk beban kerja produksi.

Apa yang telah diluncurkan ElevenLabs, dan mengapa itu berada dalam kategori yang berbeda
Scribe v3 Live Medical berada dalam keluarga Scribe v3 yang diluncurkan pada 9 November 2026, dan merupakan anggota real-time medis dari keluarga tersebut. Dokumentasi ElevenLabs tidak ambigu mengenai batasannya: produk ini hanya tersedia di ElevenAgents, tidak tersedia melalui Speech to Text API, dan jika Anda ingin transkripsi medis melalui API, Anda sebaiknya menggunakan Scribe v2 Medical — model batch, dengan harga $0.20 per jam, yang merupakan produk biasa dengan ID model.
Tiga konsekuensi menyusul, dan itu lebih penting daripada angka WER mana pun:
• Anda tidak dapat menetapkan harga untuknya. Ini termasuk dalam harga standar ElevenAgents, yang menagih per menit percakapan dan menggabungkan ASR dengan LLM agen, teleponi, sintesis ucapan, dan panggilan alat. Tidak ada tarif ASR yang dapat dipisahkan, jadi tidak ada angka untuk dimasukkan ke spreadsheet perbandingan.
• Anda tidak dapat melakukan benchmark sendiri di luar platform. Satu-satunya angka yang diterbitkan adalah hasil uji ElevenLabs sendiri pada PriMock57 — 57 konsultasi perawatan primer simulasi — dengan skor 12,8% dibandingkan 15,5% untuk AssemblyAI Universal-3.6 Pro Realtime dalam mode medis, 16,3% untuk Speechmatics Oak-1, 17,0% untuk Deepgram Nova-3 Pharma, dan 17,2% untuk Nova-3 Medical.
• Anda belum dapat mengirim PHI ke sana. Dokumentasi menyatakannya dengan gamblang: jangan mengirim informasi kesehatan yang dilindungi ke Scribe v3 Live Medical sampai kelayakan HIPAA dikonfirmasi, dan residensi data UE tidak tersedia selama masa akses awal. Itu pernyataan yang lebih tegas daripada baris umum "memenuhi syarat HIPAA" di halaman pemasaran, dan itulah yang akan dibaca oleh seorang petugas kepatuhan.

2,5% dibandingkan 12,8% bukanlah selisih lima kali lipat
Tampaknya seperti itu. Ternyata bukan, karena tiga alasan, dan masing-masing merupakan jenis masalah pengukuran yang berbeda.
Korpusnya berbeda. Harness streaming Artificial Analysis mengukur ucapan umum di banyak bahasa dan kondisi; PriMock57 adalah 57 konsultasi dokter umum simulasi tempat dua orang membahas gejala, resep, dan hasil tes. Konsultasi klinis lebih sulit bagi setiap model — bagan milik ElevenLabs sendiri menunjukkan empat mesin real-time pesaing berkumpul antara 15,5% dan 17,2% pada set itu, termasuk dua model yang dibuat khusus untuk audio medis. Angka 12,8% pada set tersebut adalah hasil yang kuat; angka 2,5% pada set umum adalah pencapaian yang berbeda.
Kondisinya berbeda. Angka Microsoft adalah klaim atas metodologi pihak ketiga, bukan baris yang diterbitkan pihak ketiga tersebut. Angka ElevenLabs adalah uji yang dijalankan vendor pada kumpulan publik yang dipilih vendor. Keduanya bukan pengukuran yang dapat diadu satu sama lain tanpa menjalankan keduanya pada audio yang sama, dan belum ada yang melakukannya.
Tugas-tugasnya berbeda dalam cara yang penting secara klinis. Model Microsoft adalah transcriber umum dengan keyword biasing dan kasus penggunaan catatan klinis yang terdokumentasi; model ini tidak di-fine-tune pada nama obat. Model ElevenLabs adalah fine-tune dari Scribe v3 Live yang ditujukan tepat untuk kosakata tersebut. Pada papan umum yang bersih, model umum semestinya diharapkan menang. Pada "dia sedang mengonsumsi metformin 1000 dua kali sehari, empagliflozin 10, dan atorvastatin 40" — baris contoh di halaman medis ElevenLabs — fine-tune-lah yang punya alasan untuk lebih baik, dan model umum-lah yang mengandalkan daftar frasanya.
Perbedaan latensi itulah yang nyata
0,13 detik Microsoft hingga transkrip final adalah angka yang seharusnya mengkhawatirkan pesaing, karena itulah jenis angka yang bisa menjadi fondasi sebuah platform. Di bawah sekitar 0,2 detik, teks takarir terbaca seolah simultan dengan ucapan; sepertiga detik terbaca seperti transkrip yang mengejar pembicara. ElevenLabs tidak memublikasikan latensi untuk varian medis, hanya bahwa latensinya setara dengan Scribe v3 Live, yang dalam perbandingan keluarganya memiliki WER semantik 44% lebih rendah daripada Scribe v2 Realtime — model yang didokumentasikan ElevenLabs pada sekitar 150 ms waktu median hingga transkrip final terkonfirmasi. Jadi pembacaan yang masuk akal adalah bahwa keduanya berada di kisaran yang sama, di bawah seperempat detik, dan perbedaannya tidak dapat dipersepsikan oleh orang yang membaca sambil mengikuti.
Di sinilah perbedaannya terlihat, yaitu pada endpointing, dan di sini ElevenLabs memiliki cerita yang lebih spesifik. Prediksi giliran bicaranya menggunakan konteks percakapan untuk memutuskan apakah penelepon sudah selesai, sehingga agen menunggu melewati jeda di dalam ID anggota atau tanggal lahir alih-alih membalas tiga digit pertama. Padanan dari Microsoft adalah deteksi akhir giliran bicara tingkat lanjut milik Voice Live API, yang merupakan properti lapisan agen, bukan transkriper. Keduanya memecahkan masalah ini. Yang satu memecahkannya di dalam produk ASR dan yang lain memecahkannya satu lapisan di atasnya, dan jika Anda merakit loop agen Anda sendiri, lapisan itu penting.
Biaya, berdampingan, dengan lubang yang ditandai
• Microsoft — $0.54 per jam audio adalah tarif pengenalan untuk MAI-Transcribe-2-Streaming, tanpa mengungkapkan harga standar; Microsoft pernah menerapkan struktur ini sebelumnya, dan harga early-bird model batch secara eksplisit dibatasi waktu.
• ElevenLabs — tidak ada tarif ASR untuk Scribe v3 Live Medical. Tolok ukur keluarga pada API adalah $0,22 per jam untuk Scribe v3 Live dan $0,08 per jam untuk realtime keyterm prompting, dan produk medis API, Scribe v2 Medical, adalah $0,20 per jam pada endpoint batch.
• Dalam skala besar — 10.000 menit audio streaming sekitar $90 dengan tarif perkenalan Microsoft dan tidak dapat diukur pada penetapan harga platform ElevenLabs, di mana sepuluh ribu menit yang sama juga menagih token LLM, teleponi, dan suara.
• Kosakata khusus — daftar frasa Microsoft adalah parameter permintaan tanpa biaya tambahan yang dipublikasikan; ElevenLabs menyertakan hingga 10.000 istilah khusus tanpa biaya tambahan di ElevenAgents, dan menagih $0,08 per jam untuk keyterms realtime pada model API.
Pasangan terakhir itu layak direnungkan sejenak, karena 10.000 istilah bukanlah angka bulat pemasaran — ukurannya kira-kira sebesar formularium sistem kesehatan ukuran menengah ditambah daftar penyedianya. Jika masalah kosakata klinis Anda besar, anggaran istilah itu merupakan fitur nyata, dan daftar frasa Microsoft, yang didokumentasikan sebagai petunjuk alih-alih output yang dipaksakan, adalah mekanisme berbeda dengan mode kegagalan yang berbeda.
Di mana lapisan penalaran cocok
Tidak satu pun dari model-model ini yang memutuskan apa pun. Agen suara klinis mengambil transkrip dan melakukan sesuatu dengannya — memeriksa aturan cakupan, menyusun catatan, memutuskan apakah akan merutekan ke perawat — dan langkah itu adalah panggilan model terpisah dengan anggaran latensinya sendiri. Dalam pipeline waktu nyata, waktu-hingga-token-pertama dari model penalaran sering kali menjadi penyumbang yang lebih besar terhadap keterlambatan yang dirasakan daripada 0,13 atau 0,15 detik dari transkriper.
Segmen itulah tempat sebuah router membuktikan perannya. OrcaRouter menyajikan 215 model di balik satu API yang kompatibel dengan OpenAI tanpa markup, harga daftar penyedia diteruskan tanpa perubahan, dengan failover otomatis antarpenyedia — sehingga model yang menalar atas sebuah transkrip dapat ditukar dengan model yang lebih cepat, atau dialihkan saat panggilan berlangsung, tanpa menyentuh integrasi Azure atau ElevenLabs. Kami tidak menyediakan Scribe v3 Live Medical atau MAI-Transcribe-2-Streaming; segmen transkripsi tetap berada di tempat Anda membelinya.

Putusan itu, dinyatakan sebagai keputusan pengadaan
Pilih MAI-Transcribe-2-Streaming jika Anda memerlukan pentranskripsi yang dapat dipanggil, diberi harga, dan dimasukkan ke kartu tarif. Ini adalah satu-satunya dari keduanya yang merupakan model, bukan fitur platform; didokumentasikan hingga level region dan SDK, serta pasangan akurasi-latensi yang diklaimnya merupakan posisi terpublikasi terkuat dalam ASR streaming saat ini — dengan catatan bahwa klaim tersebut milik Microsoft dan papan peringkat belum memplotnya. Bangunlah di atas pratinjau dengan kehati-hatian seperti biasa: tidak ada SLA, dan harga pengenalan yang akan berubah.
Pilih Scribe v3 Live Medical jika Anda membeli agen, bukan transcriber — jika sistem telepon, turn-taking, suara, dan guardrails semuanya akan tetap menjadi milik ElevenLabs, maka fine-tune klinis di dalam stack tersebut lebih bernilai daripada WER umum yang lebih baik yang harus Anda integrasikan sendiri. Uji dulu pada rekaman Anda sendiri, dan jangan masukkan PHI ke dalamnya sampai dokumentasinya berhenti memperingatkan Anda untuk tidak melakukannya.
Jika Anda benar-benar belum bisa memutuskan, penentu akhirnya tidak ada di situs vendor mana pun: jalankan dua puluh panggilan Anda sendiri melalui keduanya, hitung kesalahan yang akan mengubah keputusan klinis alih-alih kesalahan secara keseluruhan, lalu bandingkan jumlah itu dengan biaya yang harus Anda keluarkan per bulan untuk setiap opsi, termasuk bagian-bagian yang jika tidak, harus Anda bangun sendiri. Pada uji itu, 2,5% dan 12,8% sama-sama akan salah, dan peringkatnya bisa saja berbalik.
