
Scribe v3 vs MAI Transcribe 2: 0,09 Poin dan Kesenjangan Kecepatan 4,4x
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 186 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 358 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 139 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 42 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 · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Kalau ElevenLabs Scribe v3 dan MAI-Transcribe-2 dijalankan pada satu harness yang sama, selisih word error rate keduanya hanya 0,09 poin persentase — 1,95% berbanding 2,04% pada AA-WER Index non-streaming milik Artificial Analysis. Namun, saat diuji pada satu bench throughput yang sama, salah satunya menyelesaikan satu jam audio yang sama dalam waktu dinding sekitar seperempatnya. Kedua fakta itu saling bertentangan, dan mana yang Anda ikuti bergantung pada pertanyaan yang jarang diajukan dalam perbandingan transkripsi: apakah hambatan utama Anda adalah kata-katanya atau waktu. Scribe v3 adalah model yang lebih akurat dengan selisih yang akan sulit Anda ukur di lingkungan produksi. MAI-Transcribe-2 4,4× lebih cepat dan setengah harganya. Halaman ini membahas mana yang sebenarnya layak Anda bayar.
Mulailah dengan korpus yang mirip dengan audio Anda
Kesenjangan komposit 0,09 poin itu adalah rata-rata, dan rata-rata itu menyembunyikan sebuah pembalikan. Pada korpus Earnings-22 milik Artificial Analysis — audio telepon spontan, beraksen, dan multi-pembicara, hal yang paling mendekati panggilan penjualan sungguhan di daftar ini — MAI-Transcribe-2 mencetak 2,99% dan Scribe v3 mencetak 3,34%. Microsoft menang pada korpus itu dengan selisih 0,35 poin, empat kali lipat ukuran kesenjangan komposit, dengan arah yang berlawanan. Pada kumpulan ucapan-dibacakan inti, Scribe v3 menang 1,47% berbanding 1,83%. Pada VoxPopuli, pidato parlementer, angkanya 1,52% berbanding 1,50% — hasil imbang di dalam derau.
Jadi, "Scribe v3 lebih akurat" adalah pernyataan tentang rata-rata, dan rata-rata itu hanya bermakna jika audio Anda adalah rata-rata dari buku audio, parlemen, dan panggilan konferensi. Beban kerja pusat kontak dan agen suara bukanlah demikian; beban kerja tersebut berbentuk Earnings-22, dan pada korpus itu peringkatnya terbalik. Beban kerja podcast dan arsip media berbentuk ujaran yang dibaca, dan pada beban kerja tersebut keunggulan Scribe v3 nyata dan lebih besar daripada yang disiratkan oleh komposit.

Kedua kumpulan angka tersebut adalah pengukuran Artificial Analysis pada harness bersama, dan itulah satu-satunya alasan perbandingan ini layak dilakukan. Materi peluncuran dari masing-masing vendor tidak dapat dibandingkan satu sama lain: ElevenLabs melaporkan kenaikan FLEURS relatif sebesar 27% dibandingkan Scribe v2 pada 102 bahasa, Microsoft melaporkan rata-rata FLEURS sebesar 5,2% di 60 bahasa, dan kedua angka itu dihitung pada kumpulan bahasa yang berbeda dengan perata-rataan yang berbeda. Papan pihak ketiga adalah satu-satunya tempat kedua model bertemu dengan syarat setara.
4.4× adalah angka yang mengubah arsitektur
Throughput adalah titik ketika kedua model berhenti terlihat seperti substitusi. MAI-Transcribe-2 berjalan pada faktor kecepatan median 338,5 di bench Artificial Analysis; Scribe v3 berjalan pada 76,8. Keduanya jauh lebih cepat daripada waktu nyata — Scribe v3 menyelesaikan satu jam audio dalam waktu kurang dari satu menit — jadi untuk pekerjaan batch malam hari yang mengisi ulang arsip podcast, perbedaannya tidak terlihat. Untuk apa pun yang interaktif, perbedaannya terlihat.

Bayangkan agen suara yang memerlukan transkrip sebelum dapat memutuskan apa yang akan dikatakan selanjutnya. Pada 76,8×, satu jam audio membutuhkan 47 detik komputasi. Itu tidak masalah ketika audionya adalah rekaman yang sudah jadi, tetapi tidak berguna ketika audio datang secara langsung, itulah sebabnya ElevenLabs menjual model realtime terpisah untuk tugas tersebut alih-alih mengarahkan ke model batch. Jawaban Microsoft juga berupa SKU streaming terpisah. Model batch dari kedua vendor tersebut bukan alat yang tepat untuk audio langsung; angka throughput itu penting untuk kasus yang berbeda — pipeline asinkron bervolume tinggi tempat Anda memproses ribuan jam sehari dan yang menunggu adalah antrean, bukan pemanggilnya.
Pada 10.000 jam per bulan, 76,8× membutuhkan sekitar 130 jam komputasi dan 338,5× membutuhkan sekitar 30. Itulah perbedaan antara klaster yang Anda sewa per jam dan klaster yang nyaris tidak Anda perhatikan. Ini juga perbedaan antara backfill yang selesai dalam semalam dan yang selesai selama akhir pekan.
Harga: faktor dua, dengan tanggal kedaluwarsa
Dalam hal harga daftar, selisihnya lebih jelas daripada selisih akurasinya. MAI-Transcribe-2 adalah $0,10 per jam audio, atau $1,67 per 1.000 menit. Scribe v3 adalah $0,20 per jam audio setelah pemotongan harga ElevenLabs pada 17 November, atau $3,33 per 1.000 menit. Tepat dua kali lipat, di kedua ujungnya.
Tarif Microsoft menyertakan syarat yang semestinya ada dalam setiap anggaran yang disusun berdasarkan tarif itu: $0,10 per jam adalah penawaran pengenalan yang berlaku hingga akhir 2026, dan Microsoft belum menerbitkan tarif standar yang berlaku setelahnya. Rencana 2027 yang dipatok pada $1,67 per 1.000 menit adalah rencana dengan pos yang belum diberi harga di dalamnya. Tarif ElevenLabs adalah harga daftar yang berlaku setelah pemotongan, bukan promosi, sehingga menjadikannya angka yang lebih dapat dipertahankan untuk model multi-tahun meskipun angka tersebut lebih tinggi saat ini.
Dua biaya lain berada di luar tarif utama dan keduanya menguntungkan ElevenLabs. Keyterm prompting pada Scribe v3 ditagih $0.05 per jam di atas tarif dasar; pengeditan transkrip $0.07. Microsoft menggabungkan keyword biasing ke dalam panggilan transkripsi. Dan tarif per jam ElevenLabs mencakup diarisasi, deteksi entitas, dan stempel waktu kata dalam satu proses, sementara Microsoft mengenakan biaya melalui resource Azure Speech yang layanan pendukungnya memiliki pos biaya sendiri. Kelipatan dua kali itu nyata, tetapi itu adalah batas bawah dari selisihnya, bukan batas atas.
Fitur di mana mereka benar-benar berbeda
• Mode verbatim — MAI-Transcribe-2 memilikinya, sebagai sakelar antara gaya keluaran verbatim dan bersih. Scribe v3 tidak; ElevenLabs mendokumentasikan "tidak ada mode verbatim" untuk model tersebut. Untuk perekaman kepatuhan, penilaian QA, dan apa pun yang menjadikan awalan keliru sebagai bukti, hal itu merupakan persyaratan mutlak dan dengan sendirinya menentukan pilihan.
Cakupan bahasa — Scribe v3 didokumentasikan dalam 90+ bahasa; MAI-Transcribe-2 dalam 60 bahasa, dengan tabel dukungan per bahasa yang dipublikasikan dan identifikasi bahasa otomatis yang aktif secara bawaan. ElevenLabs mencantumkan nama-nama bahasa, tetapi rincian akurasinya lebih sempit daripada klaim cakupannya.
• Diarisasi — Scribe v3 mendukung hingga 32 pembicara, dengan vendor mengklaim 12% lebih sedikit kesalahan diarisasi dibandingkan v2 dan 17% lebih sedikit pada tiga pembicara atau lebih. MAI-Transcribe-2 menawarkan diarisasi sebagai parameter dengan segmen berlabel pembicara, dan Microsoft sama sekali tidak menerbitkan tingkat kesalahan diarisasi. Tidak terukur bukan berarti buruk, tetapi memang tidak terukur.
• Kosakata domain — Scribe v3 menerima hingga 1.000 istilah kunci per permintaan batch. MAI-Transcribe-2 menerima daftar frasa dengan panjang berapa pun sebagai petunjuk pengenalan, dan dokumentasinya menegaskan bahwa istilah-istilah tersebut hanyalah petunjuk dan bukan output yang dipaksakan.
• Bentuk deployment — MAI-Transcribe-2 berjalan melalui endpoint mode enhanced Azure Speech di region yang ditentukan, dengan jalur REST dan SDK serta integrasi Voice Live untuk transkripsi input. Scribe v3 merupakan perubahan ID model pada integrasi ElevenLabs yang sudah ada, dengan pemrosesan di US secara default dan opsi residensi di EU, India, dan Singapura pada paket enterprise.
• Kepatuhan — ElevenLabs mewajibkan Business Associate Agreement yang ditandatangani melalui tim penjualan sebelum pekerjaan terkait HIPAA, dan dokumentasinya tidak menyatakan bahwa Scribe v3 sendiri memenuhi syarat HIPAA, hanya bahwa pelanggan layanan kesehatan harus menandatangani BAA terlebih dahulu. Tumpukan Azure Speech Microsoft menawarkan cakupan kepatuhan regional dan perusahaan yang lazim. Baca keduanya dengan cermat sebelum memproses audio pasien melalui salah satunya.

Menjalankan keduanya tanpa kontrak kedua
Jawaban realistis bagi sebagian besar tim bukanlah satu pemenang, melainkan pemisahan: satu model untuk korpus tempat model itu unggul, dirutekan berdasarkan beban kerja. Itulah kasus yang menjadi alasan lapisan routing OrcaRouter ada lebih jauh di dalam pipeline — transkrip diringkas, diklasifikasikan, dan ditindaklanjuti, dan itulah panggilan yang berlipat ganda. Satu API untuk 200+ model, harga daftar dari penyedia diteruskan dengan markup 0%, failover otomatis, dan DSL routing yang dapat mengirim transkrip rapat ke satu perangkum dan transkrip kepatuhan ke perangkum lain tanpa integrasi kedua. Baik Scribe v3 maupun MAI-Transcribe-2 tidak ada dalam daftar kami — keduanya dilayani oleh vendor masing-masing — jadi pemisahan tersebut tetap berarti dua kontrak layanan suara. Yang runtuh adalah semua yang berada di hilir transkrip.
Jika Anda memang menginginkan satu vendor, penentu serinya murah untuk dijalankan: ambil seratus jam audio Anda sendiri, nilai keduanya pada audio itu, dan lihat subset yang berbentuk Earnings-22 alih-alih rata-ratanya. Selisih komposit sebesar 0,09 poin lebih kecil daripada perbedaan yang ditunjukkan masing-masing model antar-korpus, yang berarti papan peringkat yang diterbitkan hanyalah prior, bukan jawaban.
Siapa yang harus memilih yang mana
Pilih MAI-Transcribe-2 jika audio Anda bersifat percakapan, volume Anda tinggi, pipeline Anda asinkron, dan Anda memerlukan output verbatim — serta siapkan anggaran untuk tarif yang berubah pada Januari. Pilih Scribe v3 jika Anda memerlukan cakupan bahasa yang luas, jumlah pembicara yang besar, klaim diarisasi yang telah dipublikasikan, atau harga yang dapat Anda masukkan ke dalam model tiga tahun tanpa catatan kaki. Pilih keduanya, dibagi berdasarkan korpus, jika Anda memiliki kesiapan operasional — perbedaan akurasi di antara keduanya cukup kecil sehingga keputusan sebenarnya adalah tentang throughput, dukungan verbatim, dan harga siapa yang Anda percaya masih akan ada tahun depan.
