
Scribe v3 vs MAI Transcribe 2: 0,09 punti e un divario di velocità di 4,4x
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 186 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 358 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 139 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 42 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 · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Se metti ElevenLabs Scribe v3 e MAI-Transcribe-2 sullo stesso banco di prova, finiscono a 0,09 punti percentuali di distanza sul tasso di errore parola: 1,95% contro 2,04% sull'AA-WER Index non streaming di Artificial Analysis. Mettili sullo stesso benchmark di throughput e uno dei due completa la stessa ora di audio in circa un quarto del tempo reale. Questi due fatti puntano in direzioni opposte, e a quale dei due dare retta dipende da una domanda che la maggior parte dei confronti tra trascrizioni non si pone mai: se il tuo collo di bottiglia sono le parole o l'orologio. Scribe v3 è il modello più accurato, con un margine che farai fatica a misurare in produzione. MAI-Transcribe-2 è 4,4× più veloce e costa la metà. Questa pagina riguarda per quale dei due dovresti davvero pagare.
Inizia con il corpus che assomiglia al tuo audio
Il divario composito di 0,09 punti è una media, e la media nasconde un'inversione. Sul corpus Earnings-22 di Artificial Analysis — audio telefonico spontaneo, con accento e multi-parlante, la cosa più vicina sul tabellone a una vera chiamata di vendita — MAI-Transcribe-2 ottiene il 2,99% e Scribe v3 il 3,34%. Microsoft vince quel corpus di 0,35 punti, quattro volte l'ampiezza del divario composito, nella direzione opposta. Sul set principale di parlato letto Scribe v3 vince per 1,47% contro 1,83%. Su VoxPopuli, discorso parlamentare, è 1,52% contro 1,50% — un testa a testa dentro il rumore.
Quindi «Scribe v3 è più accurato» è un'affermazione su una media, e la media è significativa solo se il tuo audio è una media di audiolibri, parlamento e chiamate conferenza. I carichi di lavoro dei contact center e degli voice agent non lo sono; hanno la forma di Earnings-22, e su quel corpus la classifica si capovolge. I carichi di lavoro di podcast e archivi media hanno la forma del parlato letto, e su quelli il vantaggio di Scribe v3 è reale e maggiore di quanto suggerisca il composito.

Entrambe le serie di numeri sono misurazioni di Artificial Analysis su un harness condiviso, ed è l'unico motivo per cui il confronto vale la pena di essere fatto. Il materiale di lancio di nessuno dei due fornitori è comparabile con quello dell'altro: ElevenLabs riporta un guadagno relativo del 27% su FLEURS rispetto a Scribe v2 su 102 lingue, Microsoft riporta una media FLEURS del 5,2% su 60 lingue, e questi due numeri sono calcolati su insiemi di lingue diversi con medie diverse. La classifica di terze parti è l'unico luogo in cui i due modelli si incontrano a parità di condizioni.
Il 4,4× è il numero che cambia l’architettura
È sul throughput che i due modelli smettono di sembrare sostituti. MAI-Transcribe-2 raggiunge un fattore di velocità mediano di 338,5 sul benchmark di Artificial Analysis; Scribe v3 si ferma a 76,8. Entrambi sono molto più veloci del tempo reale — Scribe v3 elabora un'ora di audio in meno di un minuto — quindi per un processo batch notturno che compila retroattivamente un archivio di podcast, la differenza è invisibile. Per qualsiasi cosa interattiva non lo è.

Considera un agente vocale che ha bisogno di una trascrizione prima di poter decidere cosa dire dopo. A 76,8×, un'ora di audio richiede 47 secondi di calcolo. Va bene quando l'audio è una registrazione finita ed è inutile quando l'audio arriva in tempo reale, motivo per cui ElevenLabs vende un modello realtime separato per quel compito invece di puntare su quello batch. Anche la risposta di Microsoft è una SKU di streaming separata. Il modello batch di nessuno dei due fornitori è lo strumento giusto per l'audio dal vivo; il valore di throughput conta per un caso diverso: pipeline asincrone ad alto volume in cui si elaborano migliaia di ore al giorno e ad aspettare è la coda, non il chiamante.
A 10.000 ore al mese, 76,8× richiede circa 130 ore di calcolo e 338,5× ne richiede circa 30. È la differenza tra un cluster che noleggi a ore e uno che quasi non noti. È anche la differenza tra un backfill che si completa in una notte e uno che si completa nel corso di un fine settimana.
Prezzo: un fattore di due, con una data di scadenza
Sul prezzo di listino il divario è più netto del divario di accuratezza. MAI-Transcribe-2 costa 0,10 $ per ora di audio, ovvero 1,67 $ per 1.000 minuti. Scribe v3 costa 0,20 $ per ora di audio dopo il taglio del 17 novembre di ElevenLabs, ovvero 3,33 $ per 1.000 minuti. Esattamente il doppio, su entrambi i fronti.
La tariffa Microsoft include una precisazione che va inserita in qualsiasi budget basato su di essa: 0,10 $ all'ora è un'offerta introduttiva valida fino alla fine del 2026, e Microsoft non ha pubblicato la tariffa standard successiva. Un piano per il 2027 fissato a 1,67 $ per 1.000 minuti è un piano con una voce senza prezzo. La tariffa ElevenLabs è il prezzo di listino stabile dopo un ribasso, non una promozione, il che la rende il valore più difendibile per un modello pluriennale anche se oggi è quello più alto.
Altri due costi si collocano al di fuori della tariffa principale e entrambi favoriscono ElevenLabs. Il prompting con termini chiave su Scribe v3 costa 0,05 $ all'ora in aggiunta alla tariffa base; la modifica della trascrizione 0,07 $. Microsoft include il bias per parole chiave nella chiamata di trascrizione. Inoltre, la tariffa oraria di ElevenLabs copre diarizzazione, rilevamento delle entità e timestamp delle parole nello stesso passaggio, mentre Microsoft fattura tramite risorse Azure Speech, dove i servizi circostanti hanno voci di costo proprie. Il multiplo di due volte è reale, ma rappresenta un limite inferiore del divario, non un limite superiore.
Funzionalità in cui divergono davvero
• Modalità verbatim — MAI-Transcribe-2 ce l'ha, come interruttore tra stile di output verbatim e pulito. Scribe v3 no; ElevenLabs documenta "nessuna modalità verbatim" per il modello. Per la registrazione a fini di conformità, il punteggio QA e qualsiasi caso in cui una falsa partenza sia una prova, si tratta di un requisito imprescindibile che di per sé determina la scelta.
• Ampiezza linguistica — Scribe v3 è documentato per oltre 90 lingue; MAI-Transcribe-2 per 60, con una tabella di supporto per lingua pubblicata e l'identificazione automatica della lingua attiva per impostazione predefinita. ElevenLabs elenca i nomi delle lingue, ma la sua ripartizione dell'accuratezza è più limitata rispetto alla copertura dichiarata.
• Diarizzazione — Scribe v3 fino a 32 parlanti, con il fornitore che dichiara il 12% in meno di errori di diarizzazione rispetto a v2 e il 17% in meno con tre o più parlanti. MAI-Transcribe-2 offre la diarizzazione come parametro con segmenti etichettati per parlante, e Microsoft non pubblica affatto un tasso di errore di diarizzazione. Non misurato non è sinonimo di negativo, ma resta non misurato.
• Vocabolario di dominio — Scribe v3 accetta fino a 1.000 keyterm per singola richiesta batch. MAI-Transcribe-2 accetta un elenco di frasi di lunghezza arbitraria come suggerimenti per il riconoscimento, e la documentazione specifica esplicitamente che i termini sono suggerimenti e non output imposto.
• Modalità di distribuzione — MAI-Transcribe-2 viene eseguito tramite l'endpoint in modalità enhanced di Azure Speech in regioni specifiche, con percorsi REST e SDK e un'integrazione Voice Live per la trascrizione dell'input. Scribe v3 è un cambio di ID modello su un'integrazione ElevenLabs esistente, con elaborazione negli Stati Uniti per impostazione predefinita e opzioni di residenza dei dati in UE, India e Singapore sui piani enterprise.
• Conformità — ElevenLabs richiede un Business Associate Agreement firmato tramite il reparto vendite prima di poter svolgere attività HIPAA, e la sua documentazione non afferma che Scribe v3 stesso sia idoneo per HIPAA, ma solo che i clienti del settore sanitario devono prima firmare un BAA. Lo stack Azure Speech di Microsoft presenta la consueta superficie di conformità regionale e aziendale. Leggete con attenzione entrambe le documentazioni prima di sottoporre audio dei pazienti all'una o all'altra.

Eseguire entrambi senza un secondo contratto
La risposta realistica per la maggior parte dei team non è un vincitore ma una divisione: un modello per il corpus in cui vince, instradato in base al carico di lavoro. È il caso per cui esiste il livello di routing di OrcaRouter più avanti nella pipeline — le trascrizioni vengono riassunte, classificate e gestite, e sono proprio quelle le chiamate che si moltiplicano. Un'unica API per oltre 200 modelli, prezzi di listino dei provider trasferiti con 0% di ricarico, failover automatico, e un DSL di routing in grado di inviare la trascrizione di una riunione a un riassuntore e quella di una verifica di conformità a un altro senza una seconda integrazione. Né Scribe v3 né MAI-Transcribe-2 sono nel nostro elenco — entrambi sono serviti dai rispettivi vendor — quindi la divisione significa comunque due contratti per il parlato. Ciò che si riduce è tutto ciò che sta a valle della trascrizione.
Se invece volete un unico fornitore, lo spareggio è economico da eseguire: prendete cento ore del vostro audio, valutate entrambi su di esso e guardate al sottoinsieme modellato su Earnings-22 anziché alla media. Il divario composito di 0,09 punti è inferiore alla differenza che ciascuno dei due modelli mostra tra i corpora, il che significa che la classifica pubblicata è un prior, non una risposta.
Chi dovrebbe scegliere cosa
Scegli MAI-Transcribe-2 se il tuo audio è conversazionale, il tuo volume è elevato, la tua pipeline è asincrona e ti serve un output verbatim — e metti in budget che la tariffa cambierà a gennaio. Scegli Scribe v3 se ti serve ampiezza linguistica, un numero elevato di parlanti, un'affermazione pubblicata sulla diarizzazione o un prezzo che puoi inserire in un modello a tre anni senza asterischi. Scegli entrambi, suddivisi per corpus, se hai l'appetito operativo — la differenza di accuratezza tra i due è così piccola che la decisione riguarda in realtà il throughput, il supporto verbatim e di chi ti fidi che il prezzo esista ancora l'anno prossimo.
