Karta tytułowa z napisem 'Scribe v3 Live Medical vs MAI Transcribe 2 Streaming' i podtytułem 'tylko jeden ma cenę'. Poniżej dwie zaokrąglone karty obok siebie: lewa karta z nagłówkiem 'wywoływalna' zawiera identyfikator modelu, stawkę godzinową i cztery regiony Azure; prawa karta z nagłówkiem 'w pakiecie' pokazuje pojedynczą linię o treści 'uwzględnione w cenniku ElevenAgents', a wiersz identyfikatora modelu jest wyszarzony.
Guides & Insights

Scribe v3 Live Medical vs MAI Transcribe 2 Streaming: Tylko jeden ma cenę

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Zestaw obok siebie {{1}}Scribe v3 Live Medical{{/1}} i {{2}}MAI-Transcribe-2-Streaming{{/2}}, a pierwszą różnicą nie jest dokładność, opóźnienie ani liczba języków. Różnica polega na tym, że jedno z nich jest produktem, a drugie funkcją. {{2}}MAI-Transcribe-2-Streaming{{/2}} ma ciąg modelu, który przekazuje się do API, opublikowaną stawkę, status wersji zapoznawczej, cztery nazwane regiony Azure i dwie udokumentowane ścieżki integracji. {{1}}Scribe v3 Live Medical{{/1}} ma listę rozwijaną w ustawieniach agenta {{3}}ElevenAgents{{/3}}, bramkę wczesnego dostępu i nie ma własnej ceny, ponieważ wchodzi w skład subskrypcji. Microsoft wypuścił transkrybator; {{4}}ElevenLabs{{/4}} wypuścił możliwość w ramach platformy, którą również sprzedaje.

Ta asymetria sprawia, że porównanie dokładności jest najmniej użyteczną częścią tej strony, a porównanie pod kątem zakupów — najbardziej użyteczną. Liczby wciąż jednak warto przytoczyć, bo to liczby Microsoftu są bardziej agresywne: deklarowany 2,5% strumieniowy wskaźnik błędów słownych przy 0,13 sekundy do finalnego transkryptu, wobec 12,8% w przypadku ElevenLabs na klinicznych konsultacjach symulowanych. Te dwie wartości różnią się pięciokrotnie i opisują niemal zupełnie różne rzeczy, dlatego właśnie to zestawienie wymaga ostrożności, a nie werdyktu.

Co Microsoft faktycznie wydał

MAI-Transcribe-2-Streaming to działający w czasie rzeczywistym towarzysz modelu MAI-Transcribe-2, wewnętrznego modelu wsadowego Microsoft AI. Pojawił się 1 października 2026 r. w publicznej wersji zapoznawczej, około miesiąca po wydaniu modelu wsadowego, i jest udostępniany przez stos mowy Azure, a nie przez osobny punkt końcowy AI. Istnieją dwie udokumentowane ścieżki integracji: zgodny z OpenAI Realtime WebSocket oraz Azure Speech SDK, który obsługuje za Ciebie zarządzanie połączeniem, ponawianie prób i strumieniowanie dźwięku. Oba zwracają wyniki pośrednie, które aktualizują się w miejscu, oraz wyniki końcowe potwierdzające każdy segment.

Twierdzenia, które Microsoft do niego dołącza, oznaczone jako twierdzenia dostawcy, bo nimi są: pierwsze miejsce pod względem dokładności zarówno transkrypcji końcowych, jak i częściowych w strumieniowej ewaluacji Artificial Analysis, przy wskaźniku błędów słów na poziomie 2,5%, z transkrypcją końcową gotową 0,13 s po zakończeniu mowy i 2,5% w przypadku pierwszej transkrypcji częściowej po 0,12 s. Ważne zastrzeżenie, które towarzyszyło również premierze wersji wsadowej: tracker nie umieścił tego modelu jako wiersza. Microsoft ogłasza wynik według metodologii strony trzeciej, a nie powołuje się na opublikowany pomiar strony trzeciej. Faktycznym liderem rankingu w kategorii strumieniowania w momencie sporządzania tego tekstu był Grok Voice Transcribe 2.0 z wynikiem 2,73% i 0,49 s.

Wszystko inne w nim jest zwyczajne i dobrze udokumentowane: 60 języków z automatycznym ciągłym wykrywaniem języka, przełączanie kodu dla mieszanych par, takich jak Hinglish i Spanglish, deklaracje odporności na szum oraz dostępność w Sweden Central, Central US, East US 2 i Southeast Asia. Zastrzeżenie dotyczące wersji zapoznawczej to standardowy język Azure — brak umowy dotyczącej poziomu usług, niezalecane dla obciążeń produkcyjnych.

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'.

Co ElevenLabs wypuścił i dlaczego jest to w innej kategorii

Scribe v3 Live Medical należy do rodziny Scribe v3, która została uruchomiona 9 listopada 2026 r., i jest jej medycznym członkiem czasu rzeczywistego. Dokumentacja ElevenLabs nie pozostawia wątpliwości co do granicy: jest dostępny wyłącznie w ElevenAgents, nie jest dostępny przez API Speech to Text, a jeśli chcesz uzyskać transkrypcję medyczną przez API, powinieneś użyć Scribe v2 Medical — modelu wsadowego, w cenie 0,20 USD za godzinę, który jest zwykłym produktem z identyfikatorem modelu.

Pociąga to za sobą trzy konsekwencje, które mają większe znaczenie niż jakakolwiek wartość WER:

• Nie można tego wycenić. Jest to wliczone w standardową cenę ElevenAgents, która rozlicza się za minutę rozmowy i obejmuje ASR wraz z LLM agenta, telefonią, syntezą mowy i wywołaniami narzędzi. Nie ma wyodrębnionej stawki za ASR, więc nie ma liczby, którą można by wpisać do arkusza porównawczego.

• Nie możesz samodzielnie przeprowadzić testu porównawczego poza platformą. Jedyną opublikowaną wartością są wyniki własnego testu ElevenLabs na PriMock57 — 57 symulowanych konsultacji podstawowej opieki zdrowotnej — gdzie uzyskał 12,8% w porównaniu z 15,5% dla AssemblyAI Universal-3.6 Pro Realtime w trybie medycznym, 16,3% dla Speechmatics Oak-1, 17,0% dla Deepgram Nova-3 Pharma i 17,2% dla Nova-3 Medical.

• Nie możesz jeszcze wysyłać do niego PHI. Dokumentacja mówi wprost: nie wysyłaj chronionych informacji zdrowotnych do Scribe v3 Live Medical, dopóki nie zostanie potwierdzone spełnianie wymogów HIPAA, a w okresie wczesnego dostępu rezydencja danych w UE nie jest dostępna. To twierdzenie jest bardziej stanowcze niż ogólne zdanie o spełnianiu wymogów HIPAA na stronie marketingowej i to właśnie jego przeczyta osoba odpowiedzialna za zgodność.

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% wobec 12,8% to nie pięciokrotna różnica

Wygląda jak jeden. Nie jest nim, z trzech powodów, a każdy z nich to inny rodzaj problemu pomiarowego.

Korpusy są różne. Środowisko testowe strumieniowania Artificial Analysis mierzy ogólną mowę w wielu językach i warunkach; PriMock57 to 57 symulowanych konsultacji lekarskich, podczas których dwie osoby omawiają objawy, recepty i wyniki badań. Konsultacje kliniczne są trudniejsze dla każdego modelu — własny wykres ElevenLabs pokazuje cztery konkurujące silniki czasu rzeczywistego skupione między 15,5% a 17,2% w tym zadaniu, w tym dwa modele zbudowane specjalnie z myślą o dźwięku medycznym. Wynik 12,8% na tym zbiorze to mocny rezultat; 2,5% na zbiorze ogólnym to inne osiągnięcie.

Warunki są różne. Wynik Microsoftu to twierdzenie oparte na metodologii podmiotu trzeciego, a nie wiersz danych publikowany przez ten podmiot. Wynik ElevenLabs to test przeprowadzony przez dostawcę na wybranym przez dostawcę publicznym zestawie. Żaden z nich nie jest pomiarem, który można porównać z drugim bez uruchomienia obu na tym samym dźwięku, a nikt tego nie zrobił.

Zadania różnią się w sposób istotny klinicznie. Model Microsoftu to ogólny transkryber z biasowaniem słów kluczowych i udokumentowanym przypadkiem użycia w notatkach klinicznych; nie jest dostrajany na nazwach leków. Model ElevenLabs to dostrojona wersja Scribe v3 Live ukierunkowana dokładnie na to słownictwo. Na czystej ogólnej tablicy wyników należy spodziewać się wygranej modelu ogólnego. W zdaniu „przyjmuje metformin 1000 dwa razy dziennie, empagliflozin 10 i atorvastatin 40” — przykładowa linia na stronie medycznej ElevenLabs — dostrojony model ma powód, by być lepszy, a model ogólny to ten, który opiera się na swojej liście fraz.

Różnica w opóźnieniu jest tą rzeczywistą

0,13 sekundy Microsoftu do końcowego transkryptu to liczba, która powinna niepokoić konkurenta, ponieważ to liczba, na której można zbudować platformę. Poniżej około 0,2 sekundy tekst napisów jest odbierany jako równoczesny z mową; jedna trzecia sekundy sprawia, że transkrypt wygląda, jakby gonił mówiącego. ElevenLabs nie publikuje opóźnienia dla wariantu medycznego, jedynie informację, że dorównuje on Scribe v3 Live, którego porównanie w obrębie rodziny wskazuje na o 44% niższy semantyczny WER niż Scribe v2 Realtime — model, który ElevenLabs opisuje jako mający około 150 ms mediany czasu do zatwierdzonego transkryptu. Zatem prawdopodobna interpretacja jest taka, że oba mieszczą się w tym samym przedziale poniżej ćwierci sekundy, a różnica jest nieodczuwalna dla osoby czytającej na bieżąco.

Tam, gdzie różnica faktycznie się pojawia, jest endpointing i tutaj ElevenLabs ma bardziej konkretną historię. Jego przewidywanie tur wykorzystuje kontekst rozmowy, aby zdecydować, czy dzwoniący skończył, więc agent czeka przez pauzy wewnątrz identyfikatora członka lub daty urodzenia, zamiast odpowiadać na pierwsze trzy cyfry. Odpowiednikiem Microsoftu jest zaawansowane wykrywanie końca tury w Voice Live API, które jest właściwością warstwy agenta, a nie transkrybera. Oba to rozwiązują. Jeden rozwiązuje to wewnątrz produktu ASR, a drugi o warstwę wyżej, a jeśli składasz własną pętlę agenta, warstwa ma znaczenie.

Koszt, obok siebie, z zaznaczonymi otworami

• Microsoft — 0,54 USD za godzinę audio to stawka wprowadzająca w MAI-Transcribe-2-Streaming, bez ujawnionej ceny standardowej; Microsoft stosował już taką strukturę, a ceny early-bird modelu wsadowego były wyraźnie ograniczone czasowo.

ElevenLabs — nie istnieje stawka ASR dla Scribe v3 Live Medical. Punktami odniesienia dla tej rodziny w API są $0.22 za godzinę dla Scribe v3 Live i $0.08 za godzinę dla promptowania z kluczowymi terminami w czasie rzeczywistym, a produkt medyczny API, Scribe v2 Medical, kosztuje $0.20 za godzinę w punkcie końcowym przetwarzania wsadowego.

• Na dużą skalę — 10 000 minut strumieniowanego audio to około 90 USD według wprowadzającej stawki Microsoftu, a w przypadku cennika platformy ElevenLabs nie da się tego określić ilościowo, ponieważ te same dziesięć tysięcy minut obejmuje również rozliczanie tokenów LLM, telefonii i głosu.

• Niestandardowe słownictwo — lista fraz Microsoftu jest parametrem żądania bez publikowanej dopłaty; ElevenLabs oferuje do 10 000 niestandardowych terminów bez dodatkowych kosztów w ElevenAgents i pobiera 0,08 USD za godzinę za terminy kluczowe w czasie rzeczywistym w modelach API.

Ta ostatnia para zasługuje na chwilę uwagi, ponieważ 10 000 terminów to nie marketingowa okrągła liczba — to mniej więcej tyle, ile wynosi lista leków średniej wielkości systemu opieki zdrowotnej plus jego wykaz świadczeniodawców. Jeśli problem z terminologią kliniczną jest duży, budżet terminów jest realną cechą, a lista fraz Microsoftu — udokumentowana jako wskazówki, a nie wymuszane dane wyjściowe — to inny mechanizm o innych trybach awarii.

Gdzie pasuje warstwa rozumowania

Żaden z tych modeli niczego nie decyduje. Kliniczny agent głosowy bierze transkrypcję i coś z nią robi — sprawdza regułę pokrycia, przygotowuje projekt notatki, decyduje, czy skierować sprawę do pielęgniarki — a ten krok to osobne wywołanie modelu z własnym budżetem opóźnienia. W potoku czasu rzeczywistego czas do pierwszego tokenu modelu rozumującego często w większym stopniu przyczynia się do postrzeganego opóźnienia niż 0,13 lub 0,15 sekundy transkrybera.

To ten element, w którym router pokazuje swoją wartość. OrcaRouter udostępnia 215 modeli za pośrednictwem jednego API zgodnego z OpenAI przy 0% narzutu, ceny katalogowe dostawców są przekazywane bez zmian, z automatycznym przełączaniem awaryjnym między dostawcami — dzięki czemu model wnioskujący na podstawie transkrypcji można zamienić na szybszy lub awaryjnie przełączyć w trakcie wywołania, bez ingerencji w integrację z Azure lub ElevenLabs. Nie udostępniamy Scribe v3 Live Medical ani MAI-Transcribe-2-Streaming; etap transkrypcji pozostaje tam, gdzie został zakupiony.

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.

Werdykt ujęty jako decyzja zakupowa

Wybierz MAI-Transcribe-2-Streaming, jeśli potrzebujesz transkrybenta, którego możesz wywołać, wycenić i wpisać do cennika stawek. To jedyny z tych dwóch, który jest modelem, a nie funkcją platformy; jest udokumentowany aż po poziom regionu i SDK, a jego deklarowany układ dokładność–opóźnienie to obecnie najmocniejsza opublikowana pozycja w strumieniowym ASR — z zastrzeżeniem, że deklaracja należy do Microsoftu, a zarząd nie umieścił jej na wykresie. Opieraj się na wersji zapoznawczej ze zwykłą ostrożnością: brak SLA i cena wprowadzająca, która będzie się zmieniać.

Wybierz Scribe v3 Live Medical, jeśli kupujesz agenta, a nie transkryptor — jeśli system telefoniczny, zarządzanie kolejnością mówienia, głos i zabezpieczenia i tak mają pochodzić od ElevenLabs, to dostrojenie kliniczne w ramach tego stosu jest warte więcej niż lepszy ogólny WER, który musiałbyś integrować samodzielnie. Przetestuj go najpierw na własnych nagraniach i nie przesyłaj przez niego PHI, dopóki dokumentacja nie przestanie ostrzegać, żeby tego nie robić.

Jeśli naprawdę nie możesz się zdecydować, rozstrzygnięcie nie znajduje się na stronie żadnego z dostawców: przetestuj oba na dwudziestu własnych połączeniach, policz błędy, które zmieniłyby decyzję kliniczną, a nie wszystkie błędy, i porównaj tę liczbę z tym, ile każda opcja kosztuje cię miesięcznie, w tym z częściami, które w przeciwnym razie musiałbyś zbudować sam. W tym teście i 2,5%, i 12,8% okażą się błędne, a ranking może się wręcz odwrócić.