「Scribe v3 Live Medical vs MAI Transcribe 2 Streaming」と書かれたタイトルカードに、「価格が付いているのは片方だけ」というサブタイトルが添えられている。その下には、角の丸いカードが2枚横並びで配置されている。左のカードは見出しが「callable」で、モデルID、1時間あたりの料金、4つのAzureリージョンが一覧表示されている。右のカードは見出しが「bundled」で、「ElevenAgentsの料金に含まれています」という1行が表示され、モデルIDの行はグレーアウトされている。
Guides & Insights

Scribe v3 Live Medical 対 MAI Transcribe 2 Streaming:価格が設定されているのは一方だけ

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

Scribe v3 Live Medical と MAI-Transcribe-2-Streaming を並べてみると、最初に目に入る違いは精度でもレイテンシでも対応言語数でもない。一方は製品で、もう一方は機能だという点だ。MAI-Transcribe-2-Streaming には、API に渡すモデル文字列、公開された料金、プレビュー版のステータス、名前付きの Azure リージョン4つ、文書化された2つの統合経路がある。Scribe v3 Live Medical には、ElevenAgents エージェントの設定内のドロップダウン、早期アクセスのゲートがあり、サブスクリプションに組み込まれているため独自の料金はない。Microsoft はトランスクライバーをリリースし、ElevenLabs は自社が販売するプラットフォーム内の一機能としてリリースした。

その非対称性により、このページでは精度比較が最も役に立たない部分となり、調達比較が最も役に立つ部分となっています。それでも、数値は示す価値があります。なぜなら、Microsoftの数値は積極的な主張であり、最終トランスクリプトまで0.13秒でストリーミングの単語誤り率2.5%を主張しているのに対し、ElevenLabsは臨床模擬相談で12.8%だからです。これら二つの数値は5倍離れており、共通して説明できることはほとんどありません。まさにそれが、この対決に判定ではなく慎重な扱いが必要な理由です。

Microsoftが実際に出荷したもの

MAI-Transcribe-2-Streamingは、Microsoft AIの社内バッチモデルであるMAI-Transcribe-2のリアルタイム版コンパニオンです。2026年10月1日にパブリックプレビューとして登場し、バッチ版のリリースからおよそ1か月後のことでした。これは別個のAIエンドポイントではなく、Azureの音声スタックを通じて提供されます。文書化された統合パスは2つあります。OpenAI Realtime互換のWebSocketと、接続管理、再試行、音声ストリーミングを自動で処理するAzure Speech SDKです。どちらも、その場で更新される中間結果と、各セグメントを確定する最終結果を返します。

Microsoftがこれに付けている主張は、実際にベンダー主張であるためそうラベル付けされている。Artificial Analysisのストリーミング評価において、最終転写と部分転写の両方で精度第1位であり、単語誤り率2.5%、発話終了後0.13秒で最終転写が準備でき、最初の部分転写では0.12秒で2.5%だ。バッチ版のローンチも共有していた重要な注意点は、トラッカーがこのモデルを1行としてプロットしていないことだ。Microsoftは第三者の方法論に基づく結果を主張しているのであり、第三者が公表した測定値を引用しているのではない。起草時点でリーダーボードの実際のストリーミング首位はGrok Voice Transcribe 2.0で、2.73%および0.49秒だった。

その他の点はごく普通で、十分に文書化されています。60 言語の自動継続言語検出、Hinglish や Spanglish のような混成ペアに対するコードスイッチング、ノイズ耐性に関する主張、スウェーデン中部、米国中部、米国東部 2、東南アジアでの提供です。プレビューの免責事項は Azure の標準的な文言で、サービス レベル契約はなく、実稼働ワークロードには推奨されません。

The Microsoft Learn page 'MAI-Transcribe in Azure Speech', showing the Azure documentation navigation and the speech service sidebar with entries including 'Use a MAI-Transcribe model', 'Language support' and 'Speech service overview'.

ElevenLabsがリリースした内容、そしてなぜそれが別のカテゴリーに属するのか

Scribe v3 Live Medicalは、2026年11月9日に登場したScribe v3ファミリーに属する、その医療向けリアルタイム版です。ElevenLabsのドキュメントはその境界を明確に示しています。すなわち、ElevenAgentsでのみ利用可能で、Speech to Text APIでは利用できません。API経由で医療文字起こしを行いたい場合は、バッチモデルのScribe v2 Medicalを使用してください。これは1時間あたり0.20ドルの、モデルIDを持つ通常の製品です。

そこから3つの帰結が導かれるが、それらはどんなWERの数値よりも重要だ:

• これ単体の価格を設定することはできません。これは標準のElevenAgents料金に含まれており、会話1分単位で課金され、ASRはエージェントのLLM、電話、音声合成、ツール呼び出しとまとめて提供されます。ASRを分離した料金は存在しないため、比較表に記入できる数値はありません。

• プラットフォーム外で自分でベンチマークすることはできません。公開されている唯一の数値は、ElevenLabs自身がPriMock57(57件の模擬プライマリケア診察)で実施した結果で、そこでは12.8%を記録し、医療モードのAssemblyAI Universal-3.6 Pro Realtimeは15.5%、Speechmatics Oak-1は16.3%、Deepgram Nova-3 Pharmaは17.0%、Nova-3 Medicalは17.2%でした。

• まだ{{1}}それ{{/1}}にPHIを送信することはできません。ドキュメントにははっきりと明記されています。HIPAA適格性が確認されるまで、Scribe v3 Live Medicalに保護対象保健情報を送信しないでください。また、アーリーアクセス期間中はEUデータレジデンシーを利用できません。これは、マーケティングページの一般的な「HIPAA適格」という文言よりも断定的な記述であり、コンプライアンス担当者が実際に読むのはこちらの方です。

A two-column scoreboard titled 'Scribe v3 Live Medical vs MAI Transcribe 2 Streaming — the scoreboard', with the rows Price (no ASR rate vs $0.54 per audio hour), Accuracy (12.8% PriMock57 vs 2.5% claimed), Latency (not published vs 0.13s to final), Languages (90+ vs 60), Status (early access vs public preview) and Integration (ElevenAgents only vs Realtime API or Speech SDK), and a footer reading 'Microsoft figures are claims not yet plotted by Artificial Analysis; ElevenLabs figures vendor-run.'

2.5% 対 12.8% は5倍の差ではない

そう見える。しかしそうではない。理由は3つあり、それぞれが異なる種類の測定上の問題である。

コーパスが異なります。Artificial Analysisのストリーミングハーネスは多言語・多条件にわたる一般的な音声を測定しますが、PriMock57は2人が症状、処方、検査結果について話す57件の模擬GP診察です。臨床診察はどのモデルにとってもより難しく、ElevenLabs自身のグラフでは、医療音声向けに特化して構築された2モデルを含む競合するリアルタイムエンジン4つが15.5%から17.2%の間に集まっています。そのセットでの12.8%は強い結果であり、一般的なセットでの2.5%はまた別の成果です。

条件が異なります。Microsoftの数字は第三者の方法論に基づく主張であり、その第三者が公表している表の行ではありません。ElevenLabsの数字は、ベンダーが選んだ公開セット上でベンダーが実行したものです。どちらも、同じ音声で両方を実行しない限り他方と突き合わせられる測定値ではなく、誰もそうしていません。

臨床的に重要な点で、両者のタスクは異なります。Microsoftのモデルは、キーワードバイアス機能と、臨床ノートでの利用事例が文書化されている汎用の文字起こしモデルであり、薬剤名でファインチューニングされているわけではありません。ElevenLabsのモデルは、まさにその語彙に照準を合わせたScribe v3 Liveのファインチューンです。クリーンな一般ベンチマークでは、汎用モデルが勝つと期待するのが自然です。一方、「メトホルミン1000を1日2回、エンパグリフロジン10、アトルバスタチン40を服用している」というElevenLabsの医療ページのサンプル行では、より良い結果を出す理由があるのはファインチューンの方であり、フレーズリストに頼っているのは汎用モデルの方です。

レイテンシの差こそが現実に存在するものだ

Microsoftの最終的な文字起こしまでの0.13秒は、競合他社が気にすべき数字です。なぜなら、それはプラットフォームを構築できる類の数値だからです。約0.2秒未満では、字幕テキストは発話と同時に読めます。0.3秒だと、文字起こしが話者を追いかけているように読めます。ElevenLabsは医療向けvariantのレイテンシを公開しておらず、Scribe v3 Liveと同等だと述べているだけです。そのファミリー比較では、Scribe v2 Realtimeより意味的WERが44%低く、ElevenLabsはScribe v2 Realtimeを確定文字起こしまでの中央値約150 msと文書化しています。したがって、妥当な解釈は、両者とも0.25秒未満の同じ範囲にあり、その差は読みながら聞く人には知覚できないというものです。

違いが実際に現れるのはエンドポインティングであり、ここではElevenLabsの方がより具体的な説明を持っています。同社のターン予測は会話コンテキストを使って発信者が話し終えたかどうかを判断するため、エージェントは会員IDや生年月日の途中にある間を待ち、最初の3桁に応答したりはしません。Microsoftの相当機能はVoice Live APIの高度な発話終了検出であり、これは文字起こし機能ではなくエージェント層の特性です。どちらも解決します。一方はASR製品の内部で解決し、もう一方は一層上で解決するため、独自のエージェントループを組み立てている場合はその層が重要になります。

コストを横並びにして、穴に印を付けたもの

• Microsoft — MAI-Transcribe-2-Streamingの音声1時間あたり$0.54は導入価格で、標準価格は開示されていません。Microsoftは以前にもこの仕組みを採用しており、バッチモデルのアーリーバード価格は明示的に期間限定でした。

• ElevenLabs — Scribe v3 Live MedicalにはASR料金が存在しません。API上のこのファミリーの基準価格は、Scribe v3 Liveが1時間あたり$0.22、リアルタイムキータームプロンプティングが1時間あたり$0.08です。また、API向け医療製品であるScribe v2 Medicalは、バッチエンドポイントで1時間あたり$0.20です。

• 大規模に利用する場合 — ストリーミング音声10,000分は、Microsoftの導入価格ではおよそ90ドルですが、ElevenLabsのプラットフォーム料金では定量化できません。そこでは同じ10,000分に対して、LLMトークン、テレフォニー、音声にも課金されます。

• カスタム語彙 — Microsoft のフレーズ リストはリクエスト パラメーターであり、公表されている追加料金はありません。ElevenLabs は ElevenAgents で最大 10,000 件のカスタム用語を追加コストなしで含み、API モデルのリアルタイム キータームについては 1 時間あたり $0.08 を請求します。

最後の組み合わせは、少し立ち止まって考える価値があります。というのも、10,000 件という用語数はマーケティング用の丸められた数字ではなく、中規模の医療システムの医薬品集と医療提供者名簿を合わせた場合とほぼ同じ規模だからです。臨床用語の問題が大きい場合、用語数の上限は実質的な機能であり、強制出力ではなくヒントとして文書化されている Microsoft のフレーズ リストは、異なる仕組みで異なる失敗モードを持ちます。

推論レイヤーの位置づけ

どちらのモデルも何も決定しない。臨床用音声エージェントは文字起こしを受け取り、それを使って何かを行う——カバレッジルールを確認する、メモの下書きを作る、看護師に回すかどうかを決める——そしてそのステップは、独自のレイテンシ予算を持つ別個のモデル呼び出しである。リアルタイムのパイプラインでは、推論モデルの最初のトークンまでの時間は、文字起こしモデルの0.13秒や0.15秒よりも、体感される遅延への寄与が大きいことが多い。

そのレグこそ、ルーターがその価値を発揮する場所です。OrcaRouter は215 のモデルを 1 つの OpenAI 互換 API の背後で、マークアップ 0% で提供し、プロバイダーの定価はそのまま適用され、プロバイダー間の自動フェイルオーバーを備えています — これにより、トランスクリプトを推論するモデルをより高速なものに差し替えたり、通話の途中でフェイルオーバーさせたりしても、Azure や ElevenLabs の連携に手を加える必要はありません。Scribe v3 Live Medical や MAI-Transcribe-2-Streaming は提供していません。文字起こしのレグは、購入した場所のままです。

A section of the OrcaRouter site headed 'Zero markup. Zero black boxes.', with the line 'You pay each provider their exact list price. We add $0 per token' and further text explaining that cached and repeated prompt tokens bill at the provider's own cache rate and that cached_tokens appears on every receipt.

調達決定として述べられた評決

呼び出し、価格設定、料金表への掲載ができる文字起こしツールが必要なら、MAI-Transcribe-2-Streaming を選んでください。2つのうち、プラットフォーム機能ではなくモデルである唯一のものであり、リージョンやSDKに至るまで文書化され、その主張されている精度とレイテンシの組み合わせは、現在のストリーミングASRにおいて公開されている中で最も強い位置づけです — ただし、その主張はMicrosoftによるもので、ボードはそれをプロットしていないという注意点があります。プレビューを基に構築する際は、いつもの注意を払ってください。SLAはなく、導入価格は変動します。

エージェントを買うのであって、文字起こしツールを買うのではないなら、Scribe v3 Live Medical を選んでください — 電話システム、ターンテイキング、音声、ガードレールがすべてどうせ ElevenLabs のものになるなら、そのスタック内の臨床向けファインチューニングは、自分で統合しなければならない、より優れた汎用 WER よりも価値があります。まず自分の録音でテストし、ドキュメントが警告しなくなるまで PHI をそれに通さないでください。

もし本当に決めかねているなら、決め手はどちらのベンダーのサイトにもない。自分の通話を20件、両方に通して、全体のエラー数ではなく、臨床判断を変えたはずのエラーを数え、その数を、本来なら自分で構築しなければならない部分も含めた各選択肢の月額コストと比較せよ。そのテストでは、2.5%も12.8%もどちらも間違いになり、順位は十分に逆転しうる。