
Scribe v3 Live Medical vs MAI Transcribe 2 Streaming: solo uno dei due ha un prezzo
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 89 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 88 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
Metti a confronto {{1}}Scribe v3 Live Medical{{/1}} e {{2}}MAI-Transcribe-2-Streaming{{/2}} e la prima differenza non è l'accuratezza, la latenza o il numero di lingue. È che uno dei due è un prodotto e l'altro è una funzionalità. {{3}}MAI-Transcribe-2-Streaming{{/3}} ha una stringa di modello da passare a un'API, una tariffa pubblicata, uno stato di anteprima, quattro regioni Azure denominate e due percorsi di integrazione documentati. {{4}}Scribe v3 Live Medical{{/4}} ha un menu a discesa nelle impostazioni di un agente {{5}}ElevenAgents{{/5}}, un accesso anticipato riservato e nessun prezzo proprio perché è incluso in un abbonamento. Microsoft ha rilasciato un trascrittore; {{6}}ElevenLabs{{/6}} ha rilasciato una funzionalità all'interno di una piattaforma che vende a sua volta.
Quell'asimmetria rende il confronto sull'accuratezza la parte meno utile di questa pagina e il confronto sul procurement la più utile. Ciononostante, i numeri meritano di essere citati, perché quelli di Microsoft sono i più aggressivi: un tasso di errore per parola in streaming dichiarato del 2,5% con 0,13 secondi per arrivare alla trascrizione finale, contro il 12,8% di ElevenLabs su consultazioni cliniche simulate. Quei due valori sono distanti di un fattore cinque e descrivono quasi nulla in comune, ed è esattamente per questo che questo confronto richiede attenzione anziché un verdetto.
Ciò che Microsoft ha effettivamente rilasciato
MAI-Transcribe-2-Streaming è la controparte in tempo reale di MAI-Transcribe-2, il modello batch interno di Microsoft AI. È arrivato il 1° ottobre 2026 in anteprima pubblica, circa un mese dopo il rilascio della versione batch, ed è servito attraverso lo stack vocale di Azure anziché tramite un endpoint AI separato. Esistono due percorsi di integrazione documentati: un WebSocket compatibile con OpenAI Realtime e l'SDK di Azure Speech, che gestisce per voi la connessione, i tentativi ripetuti e lo streaming audio. Entrambi restituiscono risultati intermedi che si aggiornano sul posto e risultati finali che confermano ogni segmento.
Le affermazioni che Microsoft gli attribuisce, etichettate come dichiarazioni del fornitore perché è ciò che sono: primo per accuratezza sia sulle trascrizioni finali sia su quelle parziali nella valutazione in streaming di Artificial Analysis, con un tasso di errore sulle parole del 2,5%, la trascrizione finale pronta 0,13 secondi dopo la fine del parlato e 2,5% sulla prima trascrizione parziale a 0,12 secondi. L'importante avvertenza, condivisa dal lancio batch: il tracker non ha inserito questo modello come riga. Microsoft rivendica un risultato basato sulla metodologia di una terza parte, non cita una misurazione pubblicata da una terza parte. Il vero leader dello streaming della classifica al momento della stesura era Grok Voice Transcribe 2.0 con 2,73% e 0,49 secondi.
Tutto il resto è ordinario e ben documentato: 60 lingue con rilevamento automatico e continuo della lingua, code-switching per coppie miste come Hinglish e Spanglish, dichiarazioni di robustezza al rumore e disponibilità in Sweden Central, Central US, East US 2 e Southeast Asia. L'avvertenza di anteprima è il linguaggio Azure standard: nessun contratto di servizio, non consigliato per carichi di lavoro in produzione.

Cosa ha rilasciato ElevenLabs, e perché rientra in una categoria diversa
Scribe v3 Live Medical fa parte della famiglia Scribe v3, lanciata il 9 novembre 2026, ed è il membro medico in tempo reale della stessa. La documentazione di ElevenLabs è inequivocabile sul confine: è disponibile solo in ElevenAgents, non è disponibile tramite l'API Speech to Text e, se si desidera la trascrizione medica tramite l'API, è consigliabile usare Scribe v2 Medical — il modello batch, a 0,20 $ l'ora, che è un prodotto normale con un ID modello.
Ne derivano tre conseguenze, che contano più di qualsiasi valore WER:
• Non è possibile attribuirgli un prezzo. È incluso nel prezzo standard di ElevenAgents, che fattura al minuto di conversazione e comprende l'ASR insieme all'LLM dell'agente, alla telefonia, alla sintesi vocale e alle chiamate agli strumenti. Non esiste una tariffa ASR separabile, quindi non c'è alcun numero da inserire in un foglio di confronto.
• Non puoi confrontarlo da solo al di fuori della piattaforma. L'unico dato pubblicato è quello della stessa ElevenLabs su PriMock57 — 57 consultazioni simulate di cure primarie — dove ha ottenuto il 12,8% contro il 15,5% di AssemblyAI Universal-3.6 Pro Realtime in modalità medica, il 16,3% di Speechmatics Oak-1, il 17,0% di Deepgram Nova-3 Pharma e il 17,2% di Nova-3 Medical.
• Non puoi ancora inviargli PHI. La documentazione lo dice chiaramente: non inviare informazioni sanitarie protette a Scribe v3 Live Medical finché l'idoneità HIPAA non è confermata, e la residenza dei dati nell'UE non è disponibile durante l'accesso anticipato. Si tratta di un'affermazione più ferma rispetto alla generica dicitura "idoneo HIPAA" della pagina di marketing, ed è quella che leggerà un responsabile della conformità.

2,5% contro 12,8% non è un divario di cinque volte
Sembra esserlo. Non lo è, per tre ragioni, e ciascuna di esse è un diverso tipo di problema di misurazione.
I corpora sono diversi. Lo strumento di streaming di Artificial Analysis misura il parlato generico in molte lingue e condizioni; PriMock57 è composto da 57 consultazioni simulate con il medico di base in cui due persone discutono sintomi, prescrizioni e risultati degli esami. Le consultazioni cliniche sono più difficili per ogni modello — il grafico di ElevenLabs stesso mostra quattro motori concorrenti in tempo reale raggruppati tra il 15,5% e il 17,2% su quel set, inclusi due modelli creati specificamente per l'audio medico. Un 12,8% su quel set è un risultato forte; un 2,5% su un set generico è un traguardo diverso.
Le condizioni sono diverse. Il dato di Microsoft è un'affermazione sulla metodologia di una terza parte, non un valore che quella terza parte pubblica. Il dato di ElevenLabs è una prova eseguita dal fornitore su un set pubblico scelto dal fornitore. Nessuno dei due è una misurazione che si possa contrapporre all'altro senza eseguirli entrambi sullo stesso audio, e nessuno lo ha fatto.
Le attività differiscono in modo clinicamente significativo. Il modello di Microsoft è un trascrittore generale con bias per parole chiave e un caso d’uso documentato per le note cliniche; non è stato fine-tuned sui nomi dei farmaci. Il modello di ElevenLabs è un fine-tuning di Scribe v3 Live mirato esattamente a quel vocabolario. Su una board generale pulita ci si dovrebbe aspettare che vinca il modello generale. Su «è in terapia con metformina 1000 due volte al giorno, empagliflozin 10 e atorvastatina 40» — la riga di esempio nella pagina medica di ElevenLabs — è il fine-tuning ad avere un motivo per essere migliore, mentre il modello generale è quello che si affida al proprio elenco di frasi.
La differenza di latenza è quella che è reale
I 0,13 secondi di Microsoft per una trascrizione finale sono il dato che dovrebbe preoccupare un concorrente, perché è il tipo di numero su cui si può costruire una piattaforma. Sotto circa 0,2 secondi, il testo dei sottotitoli viene percepito come simultaneo al parlato; un terzo di secondo viene percepito come una trascrizione che insegue chi parla. ElevenLabs non pubblica una latenza per la variante medica, ma solo che è allineata a Scribe v3 Live, il cui confronto di famiglia è un WER semantico inferiore del 44% rispetto a Scribe v2 Realtime — un modello che ElevenLabs documenta con un tempo mediano fino alla trascrizione definitiva di circa 150 ms. Quindi la lettura plausibile è che entrambi si collochino nella stessa fascia sotto il quarto di secondo e che la differenza non sia percepibile da una persona che segue leggendo.
Dove la differenza si nota è nell'endpointing, e qui ElevenLabs ha la storia più specifica. La sua previsione del turno usa il contesto della conversazione per decidere se un chiamante ha finito, così un agente attende attraverso le pause all'interno di un ID membro o di una data di nascita invece di rispondere alle prime tre cifre. L'equivalente di Microsoft è il rilevamento avanzato di fine turno della Voice Live API, che è una proprietà del livello agente anziché del trascrittore. Entrambi lo risolvono. Uno lo risolve all'interno del prodotto ASR e l'altro lo risolve un livello più in alto, e se stai assemblando il tuo loop agente, il livello conta.
Costo, affiancati, con i fori contrassegnati
• {{1}}Microsoft{{/1}} — 0,54 $ per ora audio è la tariffa introduttiva di {{2}}MAI-Transcribe-2-Streaming{{/2}}, senza che sia stato reso noto un prezzo standard; {{1}}Microsoft{{/1}} ha già adottato questa struttura in passato, e il prezzo early-bird del modello batch era esplicitamente a tempo limitato.
• ElevenLabs — non esiste una tariffa ASR per Scribe v3 Live Medical. I riferimenti di prezzo della famiglia sull'API sono $0.22 all'ora per Scribe v3 Live e $0.08 all'ora per il keyterm prompting in tempo reale, mentre il prodotto medical dell'API, Scribe v2 Medical, costa $0.20 all'ora sull'endpoint batch.
• Su larga scala — 10.000 minuti di audio in streaming costano circa 90 $ con la tariffa introduttiva di Microsoft e sono inquantificabili con il prezzo di piattaforma di ElevenLabs, dove gli stessi diecimila minuti comportano anche addebiti per token LLM, telefonia e voce.
• Vocabolario personalizzato — la phrase list di Microsoft è un parametro della richiesta senza sovrapprezzo pubblicato; ElevenLabs include fino a 10.000 termini personalizzati senza costi aggiuntivi in ElevenAgents e addebita 0,08 $ all'ora per i keyterms in tempo reale sui modelli API.
Quell'ultima coppia merita una pausa, perché 10.000 termini non sono un numero tondo di marketing — è all'incirca la dimensione del formulario di un sistema sanitario di medie dimensioni più il suo elenco di professionisti sanitari. Se il problema del tuo vocabolario clinico è ampio, il budget dei termini è una caratteristica reale e l'elenco di frasi di Microsoft, documentato come suggerimenti anziché output forzato, è un meccanismo diverso con diverse modalità di errore.
Dove si inserisce il livello di ragionamento
Nessuno di questi modelli decide nulla. Un agente vocale clinico prende la trascrizione e ne fa qualcosa — verifica una regola di copertura, redige una nota, decide se indirizzare a un infermiere — e quel passaggio è una chiamata separata a un modello con il proprio budget di latenza. In una pipeline in tempo reale, il tempo al primo token del modello di ragionamento contribuisce spesso al ritardo percepito più dei 0,13 o 0,15 secondi del trascrittore.
Quella gamba è dove un router si guadagna il suo posto. OrcaRouter serve 215 modelli dietro un'unica API compatibile con OpenAI a markup 0%, con i prezzi di listino dei provider trasferiti invariati, e con failover automatico tra provider — così il modello che ragiona su una trascrizione può essere sostituito con uno più veloce, o passare a un altro provider a metà chiamata, senza toccare l'integrazione con Azure o ElevenLabs. Non serviamo Scribe v3 Live Medical né MAI-Transcribe-2-Streaming; la gamba di trascrizione resta dove l'avete acquistata.

Il verdetto, espresso come decisione di approvvigionamento
Scegli MAI-Transcribe-2-Streaming se ti serve un trascrittore che puoi chiamare, tariffare e inserire in un listino prezzi. È l'unico dei due a essere un modello anziché una funzionalità della piattaforma, è documentato fin nel dettaglio della region e dell'SDK, e la coppia accuratezza-latenza dichiarata è la posizione pubblicata più forte nello streaming ASR al momento, con l'avvertenza che l'affermazione è di Microsoft e il board non l'ha rappresentata in un grafico. Parti dalla preview con la consueta cautela: nessun SLA e un prezzo introduttivo che cambierà.
Scegli Scribe v3 Live Medical se stai acquistando un agente, non un trascrittore: se il sistema telefonico, la gestione dei turni, la voce e i guardrail saranno comunque di ElevenLabs, allora un fine-tuning clinico all'interno di quello stack vale più di un WER generale migliore che dovresti integrare da solo. Provalo prima sulle tue registrazioni e non fargli passare PHI finché la documentazione non smette di avvertirti di non farlo.
Se siete davvero indecisi, il criterio decisivo non si trova sul sito di nessuno dei due fornitori: fate passare venti vostre chiamate attraverso entrambi, contate gli errori che avrebbero cambiato una decisione clinica anziché gli errori complessivi, e confrontate quel conteggio con quanto vi costa al mese ciascuna opzione, incluse le parti che altrimenti dovreste costruire. In quel test, il 2,5% e il 12,8% saranno entrambi sbagliati, e la classifica potrebbe benissimo ribaltarsi.
