
Scribe v3 vs MAI Transcribe 2: 0,09 punktu i 4,4-krotna różnica prędkości
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 186 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 358 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 139 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
ElevenLabs Scribe v3 i MAI-Transcribe-2 uruchomione w jednym środowisku testowym osiągają wyniki różniące się o 0,09 punktu procentowego pod względem współczynnika błędów słów — 1,95% wobec 2,04% w nieprzesyłowym indeksie AA-WER Artificial Analysis. Uruchom je na jednym stanowisku do testowania przepustowości, a jedno z nich przetworzy tę samą godzinę dźwięku w około jednej czwartej czasu zegarowego. Te dwa fakty wskazują w przeciwnych kierunkach, a to, za którym z nich podążysz, zależy od pytania, którego większość porównań transkrypcji nigdy nie zadaje: czy Twoim wąskim gardłem są słowa, czy zegar. Scribe v3 jest modelem dokładniejszym o margines, który trudno będzie Ci zmierzyć w produkcji. MAI-Transcribe-2 jest 4,4× szybszy i o połowę tańszy. Ta strona dotyczy tego, za który z nich powinieneś faktycznie płacić.
Zacznij od korpusu, który przypomina Twoje audio
0,09-punktowa różnica w wyniku zbiorczym to średnia, a średnia ukrywa odwrócenie. W korpusie Earnings-22 firmy Artificial Analysis — spontaniczne, z akcentem, wielomówcowe nagrania telefoniczne, najbliższy na liście odpowiednik prawdziwej rozmowy sprzedażowej — MAI-Transcribe-2 uzyskuje 2,99%, a Scribe v3 — 3,34%. Microsoft wygrywa na tym korpusie o 0,35 punktu, czyli czterokrotność różnicy w wyniku zbiorczym, i to w przeciwnym kierunku. W podstawowym zestawie mowy czytanej Scribe v3 wygrywa, osiągając 1,47% wobec 1,83%. Na VoxPopuli, mowie parlamentarnej, jest to 1,52% do 1,50% — remis w granicach szumu.
Zatem „Scribe v3 jest dokładniejszy” to stwierdzenie o średniej, a średnia ma sens tylko wtedy, gdy Twoje audio jest średnią audiobooków, posiedzeń parlamentu i konferencji telefonicznych. Obciążenia w centrach kontaktowych i u agentów głosowych takie nie są; mają kształt Earnings-22 i na tym korpusie ranking się odwraca. Obciążenia podcastowe i archiwów medialnych mają kształt mowy czytanej, a na nich przewaga Scribe v3 jest rzeczywista i większa, niż sugeruje wskaźnik zbiorczy.

Oba zestawy liczb to pomiary Artificial Analysis na wspólnym środowisku testowym, co jest jedynym powodem, dla którego to porównanie w ogóle ma sens. Materiały premierowe żadnego z dostawców nie są porównywalne z materiałami drugiego: ElevenLabs podaje 27% względnego wzrostu FLEURS w porównaniu z Scribe v2 w 102 językach, Microsoft podaje średnią FLEURS na poziomie 5,2% w 60 językach, a te dwie liczby są obliczane na różnych zestawach języków z różnym sposobem uśredniania. Niezależny ranking jest jedynym miejscem, gdzie oba modele spotykają się na równych zasadach.
4,4× to liczba, która zmienia architekturę
Przepustowość to obszar, w którym te dwa modele przestają wyglądać jak substytuty. MAI-Transcribe-2 osiąga medianę współczynnika szybkości 338,5 w benchmarku Artificial Analysis; Scribe v3 osiąga 76,8. Oba są znacznie szybsze niż czas rzeczywisty — Scribe v3 przetwarza godzinę audio w niecałą minutę — więc w przypadku nocnego zadania wsadowego, które uzupełnia archiwum podcastów, różnica jest niewidoczna. W zastosowaniach interaktywnych już nie.

Rozważmy agenta głosowego, który potrzebuje transkrypcji, zanim zdecyduje, co powiedzieć dalej. Przy 76,8× godzina dźwięku zajmuje 47 sekund obliczeń. To jest w porządku, gdy dźwięk jest gotowym nagraniem, i bezużyteczne, gdy dźwięk dociera na żywo — dlatego ElevenLabs sprzedaje osobny model czasu rzeczywistego do tego zadania, zamiast wskazywać na ten wsadowy. Odpowiedź Microsoftu to również osobny SKU strumieniowy. Model wsadowy żadnego z dostawców nie jest właściwym narzędziem do dźwięku na żywo; liczba przepustowości ma znaczenie w innym przypadku — w asynchronicznych potokach o dużym wolumenie, w których przetwarzasz tysiące godzin dziennie i czeka kolejka, a nie dzwoniący.
Przy 10 000 godzinach miesięcznie 76,8× wymaga około 130 godzin obliczeń, a 338,5× około 30. To różnica między klastrem wynajmowanym na godziny a takim, którego ledwo zauważasz. To także różnica między uzupełnianiem danych, które kończy się w ciągu nocy, a takim, które kończy się w ciągu weekendu.
Cena: dwukrotność, z datą ważności
W przypadku ceny katalogowej różnica jest wyraźniejsza niż różnica w dokładności. {{1}}MAI-Transcribe-2{{/1}} kosztuje 0,10 USD za godzinę audio, czyli 1,67 USD za 1000 minut. {{2}}Scribe v3{{/2}} kosztuje 0,20 USD za godzinę audio po obniżce cen przez {{3}}ElevenLabs{{/3}} z 17 listopada, czyli 3,33 USD za 1000 minut. Dokładnie dwukrotnie, w obu przeliczeniach.
Stawka Microsoftu zawiera zastrzeżenie, które powinno znaleźć się w każdym budżecie na niej opartym: 0,10 USD za godzinę to oferta wprowadzająca obowiązująca do końca 2026 r., a Microsoft nie opublikował standardowej stawki, która będzie po niej obowiązywać. Plan na 2027 r. oparty na stawce 1,67 USD za 1000 minut to plan z nieuwzględnioną w cenie pozycją. Stawka ElevenLabs to stała cena katalogowa po obniżce, a nie promocja, co czyni ją bardziej uzasadnioną wartością w modelu wieloletnim, mimo że dziś jest wyższą z nich.
Dwa inne koszty pozostają poza stawką główną i oba przemawiają na korzyść ElevenLabs. Podpowiadanie terminów kluczowych w Scribe v3 jest rozliczane po 0,05 USD za godzinę dodatkowo ponad stawkę podstawową; edycja transkrypcji – po 0,07 USD. Microsoft wbudowuje ukierunkowanie na słowa kluczowe w wywołanie transkrypcji. A stawka godzinowa ElevenLabs obejmuje diaryzację, wykrywanie encji i znaczniki czasu słów w tym samym przebiegu, podczas gdy Microsoft rozlicza za pośrednictwem zasobów Azure Speech, w których usługi towarzyszące mają własne pozycje rozliczeniowe. Dwukrotna różnica jest realna, ale stanowi dolną granicę tej luki, a nie górną.
Funkcje, w których naprawdę się różnią
• Tryb verbatim — MAI-Transcribe-2 go ma, jako przełącznik między dosłownym a oczyszczonym stylem danych wyjściowych. Scribe v3 go nie ma; ElevenLabs dokumentuje „brak trybu verbatim” dla tego modelu. W przypadku nagrań zgodnościowych, oceniania QA i wszystkiego, gdzie fałszywy start jest dowodem, jest to wymóg bezwzględny i sam decyduje o wyborze.
• Zakres językowy — Scribe v3 jest udokumentowany dla ponad 90 języków; MAI-Transcribe-2 dla 60, z opublikowaną tabelą obsługi poszczególnych języków i domyślnie włączoną automatyczną identyfikacją języka. ElevenLabs wymienia nazwy języków, ale jego zestawienie dokładności jest węższe niż deklarowany zakres.
• Diaryzacja — Scribe v3 obsługuje do 32 mówców, a dostawca twierdzi, że ma o 12% mniej błędów diaryzacji niż v2 i o 17% mniej przy trzech lub więcej mówcach. MAI-Transcribe-2 oferuje diaryzację jako parametr z segmentami oznaczonymi mówcami, a Microsoft nie publikuje żadnego wskaźnika błędów diaryzacji. Brak pomiaru to nie to samo co zły wynik, ale to nadal brak pomiaru.
• Słownictwo dziedzinowe — Scribe v3 przyjmuje do 1000 terminów kluczowych na jedno żądanie wsadowe. MAI-Transcribe-2 przyjmuje listę fraz o dowolnej długości jako podpowiedzi dla rozpoznawania mowy, a dokumentacja wyraźnie zaznacza, że terminy te są jedynie podpowiedziami, a nie wymuszonym wynikiem.
• Forma wdrożenia — MAI-Transcribe-2 działa przez punkt końcowy trybu rozszerzonego Azure Speech w wskazanych regionach, ze ścieżkami REST i SDK oraz integracją Voice Live do transkrypcji danych wejściowych. Scribe v3 to zmiana identyfikatora modelu w istniejącej integracji ElevenLabs, z domyślnym przetwarzaniem w USA oraz opcjami rezydencji danych w UE, Indiach i Singapurze w planach Enterprise.
• Zgodność z przepisami — ElevenLabs wymaga podpisanej umowy Business Associate Agreement (BAA) za pośrednictwem działu sprzedaży przed rozpoczęciem prac związanych z HIPAA, a jej dokumentacja nie stwierdza, że sam Scribe v3 kwalifikuje się do HIPAA — jedynie, że klienci z sektora opieki zdrowotnej muszą najpierw podpisać BAA. Stack Microsoft Azure Speech zapewnia typowy zakres zgodności regionalnej i korporacyjnej. Przeczytaj oba dokładnie, zanim przekażesz audio pacjenta do któregokolwiek z nich.

Uruchamianie obu bez drugiej umowy
Realistyczna odpowiedź dla większości zespołów to nie jeden zwycięzca, lecz podział: jeden model dla korpusu, w którym wygrywa, kierowany w zależności od obciążenia. To właśnie przypadek, dla którego warstwa routingu OrcaRouter istnieje wyżej w potoku — transkrypcje są streszczane, klasyfikowane i przekładane na działania, a to są wywołania, które się mnożą. Jedno API dla ponad 200 modeli, ceny katalogowe dostawców przekazywane bez marży, automatyczne przełączanie awaryjne, oraz DSL routingu, który potrafi wysłać transkrypcję spotkania do jednego streszczacza, a transkrypcję dotyczącą zgodności do innego bez drugiej integracji. Ani Scribe v3, ani MAI-Transcribe-2 nie znajdują się w naszym zestawieniu — oba są obsługiwane przez swoich dostawców — więc podział nadal oznacza dwie umowy na usługi mowy. To, co zostaje uproszczone, to wszystko poniżej transkrypcji.
Jeśli jednak chcesz jednego dostawcę, rozstrzygnięcie jest tanie do przeprowadzenia: weź sto godzin własnego audio, oceń na nim oba modele i spójrz na podzbiór o kształcie Earnings-22, a nie na średnią. Łączna różnica 0,09 punktu jest mniejsza niż różnica, jaką którykolwiek model pokazuje między korpusami, co oznacza, że opublikowany ranking jest wstępnym założeniem, a nie odpowiedzią.
Kto powinien wybrać, które
Wybierz MAI-Transcribe-2, jeśli Twoje audio ma charakter konwersacyjny, wolumen jest duży, potok przetwarzania jest asynchroniczny, a potrzebujesz dosłownego wyniku — i uwzględnij w budżecie zmianę stawki w styczniu. Wybierz Scribe v3, jeśli potrzebujesz szerokiego zakresu języków, dużej liczby mówców, opublikowanego twierdzenia o diaryzacji lub ceny, którą możesz wpisać do trzyletniego modelu bez gwiazdki. Wybierz oba, dzieląc według korpusu, jeśli masz na to apetyt operacyjny — różnica w dokładności między nimi jest wystarczająco mała, że decyzja tak naprawdę dotyczy przepustowości, wsparcia dla dosłowności i tego, czyim cennikom ufasz, że będą jeszcze istnieć w przyszłym roku.
