Scheda del titolo con scritto 'Scribe v3 vs MAI Transcribe 2' e il sottotitolo 'precisione o throughput — scegli il tuo collo di bottiglia', accanto a due coppie di barre etichettate 'Precisione (AA-WER)' a 1,95% e 2,04% e 'Velocità (x tempo reale)' a 76,8x e una molto più lunga a 338,5x, con un piè di pagina che recita 'Tutti i dati secondo Artificial Analysis, AA-WER v2.2, non-streaming'.
Guides & Insights

Scribe v3 vs MAI Transcribe 2: 0,09 punti e un divario di velocità di 4,4x

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

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.

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.

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.

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.

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.

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.

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.