
Scribe v3 対 MAI Transcribe 2:0.09ポイントと4.4倍の速度差
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 186 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 358 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 87 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 139 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
ElevenLabs Scribe v3とMAI-Transcribe-2を同じハーネスで評価すると、単語誤り率では0.09パーセントポイント差で並ぶ——Artificial Analysisの非ストリーミングAA-WER Indexで1.95%対2.04%だ。同じスループットベンチに載せると、同じ1時間の音声を片方は実時間のおよそ4分の1で処理し終える。この2つの事実は逆方向を指しており、どちらに従うかは、ほとんどの文字起こし比較が問わないある問題にかかっている。あなたのボトルネックは言葉か、それとも時計か。Scribe v3は、本番環境で測るのに苦労する程度の差ではあるが、より正確なモデルだ。MAI-Transcribe-2は4.4倍高速で、価格は半分だ。このページでは、そのどちらに実際にお金を払うべきかを扱う。
あなたの音声に似ているコーパスから始めましょう
0.09ポイントの総合ギャップは平均値であり、その平均は逆転を隠している。Artificial AnalysisのEarnings-22コーパス——自発的で、なまりがあり、複数話者が話す電話音声であり、この評価対象の中で実際の営業電話に最も近いもの——では、MAI-Transcribe-2が2.99%、Scribe v3が3.34%を記録する。Microsoftはそのコーパスで0.35ポイント勝っており、これは総合ギャップの4倍の大きさで、しかも方向は逆である。中核の朗読音声セットではScribe v3が1.47%対1.83%で勝つ。議会音声であるVoxPopuliでは1.52%対1.50%——ノイズの範囲内の互角だ。
「Scribe v3 の方が高精度だ」というのは平均に関する主張であり、その平均は、あなたの音声がオーディオブック、議会、会議通話の平均像である場合にのみ意味を持つ。コンタクトセンターや音声エージェントのワークロードはそうではなく、Earnings-22 的な特性を持っており、そのコーパスでは順位が逆転する。ポッドキャストやメディアアーカイブのワークロードは朗読音声的な特性を持っており、それらでは Scribe v3 の優位性は実在し、複合指標が示唆するより大きい。

どちらの数値セットも、共通のハーネス上でArtificial Analysisが測定したものであり、この比較にそもそも価値があるのはそのためだけだ。どちらのベンダーの自社発表資料も、相手のものとは比較できない。ElevenLabsは102言語でScribe v2に対してFLEURSの相対27%向上を報告し、Microsoftは60言語平均でFLEURS 5.2%を報告しているが、この2つの数値は異なる言語セットで異なる平均化方法に基づいて算出されている。両モデルが対等な条件で出会うのは、第三者評価ボードだけだ。
4.4倍という数字がアーキテクチャを変える
スループットの違いによって、この2つのモデルはもはや代替品とは見なせなくなる。Artificial Analysisのベンチマークでは、MAI-Transcribe-2は中央値338.5の速度係数で動作し、Scribe v3は76.8だ。どちらもリアルタイムよりはるかに速く、Scribe v3は1時間の音声を1分未満で処理する。そのため、ポッドキャストのアーカイブをバックフィルする夜間バッチジョブでは、その差は見えない。しかしインタラクティブな用途では違う。

音声エージェントが次に何を話すかを決める前にトランスクリプトを必要とする場合を考えてみましょう。76.8×では、1時間の音声の処理に47秒の計算時間がかかります。音声が完成済みの録音であれば問題ありませんが、音声がライブで届く場合には役に立ちません。だからこそElevenLabsは、その用途にバッチモデルを充てるのではなく、別のリアルタイムモデルを販売しています。Microsoftの答えも、別のストリーミングSKUです。どちらのベンダーのバッチモデルも、ライブ音声に適したツールではありません。スループットの数値が重要になるのは別のケース、つまり1日に数千時間を処理し、待っているのが発信者ではなくキューであるような大量の非同期パイプラインです。
月{{1}}10,000{{/1}}時間では、{{2}}76.8×{{/2}}には約{{3}}130{{/3}}時間の計算リソースが必要で、{{4}}338.5×{{/4}}には約{{5}}30{{/5}}時間必要です。これは、時間単位で借りるクラスタと、ほとんど意識せずに済むクラスタの違いです。また、一晩で終わるバックフィルと、週末をかけて終わるバックフィルの違いでもあります。
価格:2倍、有効期限付き
定価ベースでは、その差は精度の差よりも明確です。MAI-Transcribe-2は音声1時間あたり$0.10、1,000分あたり$1.67です。Scribe v3はElevenLabsの11月17日の値下げ後で、音声1時間あたり$0.20、1,000分あたり$3.33です。時間単価でも分単価でも、ちょうど2倍です。
Microsoftの料金には、それに基づく予算に必ず織り込むべき但し書きがある。時間0.10ドルは2026年末までの導入キャンペーン価格であり、その後に適用される標準料金をMicrosoftは公表していない。1,000分あたり1.67ドルに固定した2027年の計画は、価格が未定の項目を抱えた計画だ。ElevenLabsの料金は値下げ後の通常の定価であり、プロモーションではない。そのため、今日では高い方であっても、複数年にわたるモデルにはより筋の通った数値になる。
主要料金とは別にさらに2つのコストがあり、いずれもElevenLabsに有利です。Scribe v3のキータームプロンプティングは基本料金に加えて1時間あたり0.05ドル、トランスクリプト編集は0.07ドルで課金されます。Microsoftはキーワードバイアシングを文字起こし呼び出しにバンドルしています。また、ElevenLabsの時間単価にはダイアライゼーション、エンティティ検出、単語タイムスタンプが同じ処理パスで含まれますが、MicrosoftはAzure Speechリソース経由で従量課金し、周辺サービスにはそれぞれ独自の料金項目があります。2倍という倍数は事実ですが、それは差の下限であり、上限ではありません。
両者が本当に異なる特徴
• 逐語モード — MAI-Transcribe-2 にはこれがあり、逐語出力とクリーン出力のスタイルを切り替えるスイッチとして提供されています。Scribe v3 にはありません。ElevenLabs はこのモデルについて「逐語モードなし」と明記しています。コンプライアンス録音、QA スコアリング、そして言い直しが証拠となるあらゆる用途では、これは必須要件であり、それだけで選択を決定づけます。
• 言語の広さ — Scribe v3 は 90 以上の言語に対応すると文書化されています。MAI-Transcribe-2 は 60 言語で、言語別のサポート表が公開されており、自動言語識別がデフォルトで有効です。ElevenLabs は言語名を列挙していますが、その精度の内訳は対応範囲の主張よりも狭い範囲にとどまっています。
• 話者分離 — Scribe v3は最大32名の話者に対応し、ベンダーはv2と比べて話者分離エラーが12%少なく、3名以上の場合では17%少ないと主張している。MAI-Transcribe-2は話者ラベル付きセグメントを伴うパラメータとして話者分離を提供しているが、Microsoftは話者分離エラー率を一切公表していない。未測定は不良と同じではないが、未測定であることには変わりない。
• ドメイン語彙 — Scribe v3はバッチリクエストごとに最大1,000件のキータームを受け付けます。MAI-Transcribe-2は任意の長さのフレーズリストを認識ヒントとして受け付け、ドキュメントには用語はヒントであり強制的な出力ではないことが明記されています。
• デプロイ形態 — MAI-Transcribe-2 は、指定されたリージョンで Azure Speech の拡張モードエンドポイントを通じて実行され、REST および SDK の経路と、入力文字起こし向けの Voice Live 統合を備えています。Scribe v3 は既存の ElevenLabs 統合におけるモデル ID の変更であり、既定では米国で処理され、エンタープライズプランでは EU、インド、シンガポールのレジデンシーオプションを利用できます。
• コンプライアンス — ElevenLabsは、HIPAA関連業務を行う前に、営業部門を通じて署名済みのビジネスアソシエイト契約(BAA)を求めています。また同社のドキュメントには、Scribe v3自体がHIPAAの対象であるとは記載されておらず、医療機関の顧客はまずBAAに署名する必要があるとだけ記載されています。MicrosoftのAzure Speechスタックには、通常のリージョンおよびエンタープライズ向けコンプライアンス対応範囲があります。患者の音声をどちらかに通す前に、両方を注意深く読んでください。

2つ目の契約なしで両方を実行する
ほとんどのチームにとって現実的な答えは、勝者をひとつ選ぶことではなく、分割です。つまり、勝てるコーパスにはそのモデルを使い、ワークロードに応じてルーティングするのです。OrcaRouterのルーティング層がパイプラインのさらに先の工程のために存在するのは、まさにこのケースです — 文字起こしは要約され、分類され、アクションに移され、そうした呼び出しが増えていきます。200以上のモデルをまたぐ単一のAPI、プロバイダーの定価を0%のマークアップでパススルー、自動フェイルオーバー、そして、2つ目の統合なしに会議の文字起こしをある要約ツールへ、コンプライアンスの文字起こしを別の要約ツールへ送信できるルーティングDSL。Scribe v3もMAI-Transcribe-2も当社のラインナップにはなく、どちらも各ベンダーが提供しているため、この分割は依然として2つの音声契約を意味します。文字起こしより下流のすべてがひとつに集約されます。
単一ベンダーをどうしても選びたいなら、決着をつけるのは低コストで実行できます。自社の音声を100時間用意し、それで両方を評価し、平均ではなくEarnings-22に似た形のサブセットを見てください。複合スコアの差0.09ポイントは、どちらのモデルでもコーパス間で示される差より小さいのです。つまり、公開リーダーボードは事前情報であり、答えではありません。
誰がどれを選ぶべきか
会話的な音声で、利用量が多く、パイプラインが非同期で、逐語出力が必要ならMAI-Transcribe-2を選び、1月に料金が変わることを予算に織り込んでください。言語の広さ、多数の話者、公表済みの話者分離に関する主張、または注釈なしで3年モデルに組み込める価格が必要ならScribe v3を選んでください。運用負荷を許容できる余力があるなら両方を選び、コーパスごとに分割してください。両者の精度差は小さく、判断は実質的にスループット、逐語サポート、そして来年も存在すると信頼できるのがどの価格設定かということになります。
