Karta tytułowa z napisem „Scribe v3 vs MAI Transcribe 2” i podtytułem „dokładność czy przepustowość — wybierz swoje wąskie gardło”, obok dwóch par słupków oznaczonych „Dokładność (AA-WER)” przy 1,95% i 2,04% oraz „Szybkość (x czasu rzeczywistego)” przy 76,8x i znacznie dłuższym 338,5x, ze stopką „Wszystkie dane według Artificial Analysis, AA-WER v2.2, bez strumieniowania”.
Guides & Insights

Scribe v3 vs MAI Transcribe 2: 0,09 punktu i 4,4-krotna różnica prędkości

Autor

jinhao.song

Data publikacji

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

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.

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.

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.

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.

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.

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.

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.