
Scribe v3 Live Medical vs MAI Transcribe 2 Streaming: Apenas um tem preço
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
Coloque lado a lado Scribe v3 Live Medical e MAI-Transcribe-2-Streaming, e a primeira diferença não é precisão, latência ou quantidade de idiomas. É que um deles é um produto e o outro é um recurso. MAI-Transcribe-2-Streaming tem uma string de modelo que você passa para uma API, uma tarifa publicada, um status de prévia, quatro regiões nomeadas do Azure e dois caminhos de integração documentados. Scribe v3 Live Medical tem um menu suspenso nas configurações de um agente do ElevenAgents, uma restrição de acesso antecipado e nenhum preço próprio, porque está embutido em uma assinatura. A Microsoft lançou um transcritor; a ElevenLabs lançou uma capacidade dentro de uma plataforma que também vende.
Essa assimetria faz da comparação de precisão a parte menos útil desta página e da comparação de compras a mais útil. Ainda assim, os números merecem ser ditos, porque os da Microsoft são os agressivos: uma taxa declarada de 2,5% de erro de palavra em streaming, com 0,13 segundo até uma transcrição final, contra 12,8% da ElevenLabs em consultas clínicas simuladas. Esses dois números diferem por um fator de cinco e quase não têm nada em comum no que descrevem, e é exatamente por isso que esse confronto exige cuidado, e não um veredito.
O que a Microsoft realmente lançou
O MAI-Transcribe-2-Streaming é o complemento em tempo real do MAI-Transcribe-2, o modelo batch interno da Microsoft AI. Chegou a 1 de outubro de 2026 em pré-visualização pública, cerca de um mês após o lançamento do modelo batch, e é disponibilizado através da pilha de fala do Azure, e não através de um endpoint de IA separado. Existem duas vias de integração documentadas: um WebSocket compatível com OpenAI Realtime e o Azure Speech SDK, que trata da gestão de ligações, das novas tentativas e do streaming de áudio por si. Ambos devolvem resultados intermédios que são atualizados no local e resultados finais que confirmam cada segmento.
As alegações que a Microsoft associa a ele, rotuladas como alegações do fornecedor porque é exatamente o que são: primeiro em precisão tanto em transcrições finais quanto parciais na avaliação de streaming da Artificial Analysis, com taxa de erro de palavras de 2,5%, com a transcrição final pronta 0,13 segundos após o fim da fala, e 2,5% na primeira parcial em 0,12 segundos. A ressalva importante, compartilhada pelo lançamento em lote: o rastreador não plotou este modelo como uma linha. A Microsoft está alegando um resultado com base na metodologia de terceiros, não citando uma medição publicada por terceiros. O líder real de streaming do ranking no momento da redação era o Grok Voice Transcribe 2.0, com 2,73% e 0,49 segundos.
Tudo o mais sobre ele é comum e bem documentado: 60 idiomas com detecção automática e contínua de idioma, alternância de código para pares mistos como Hinglish e Spanglish, alegações de robustez a ruído e disponibilidade em Suécia Central, Centro dos EUA, Leste dos EUA 2 e Sudeste Asiático. O aviso de versão prévia é a linguagem padrão do Azure — sem contrato de nível de serviço, não recomendado para cargas de trabalho de produção.

O que a ElevenLabs lançou, e por que isso está em uma categoria diferente
O Scribe v3 Live Medical faz parte da família Scribe v3, lançada em 9 de novembro de 2026, e é o membro médico em tempo real dela. A documentação da ElevenLabs é inequívoca quanto ao limite: ele está disponível apenas no ElevenAgents, não está disponível pela Speech to Text API e, se você quiser transcrição médica pela API, deve usar o Scribe v2 Medical — o modelo em lote, a $0.20 por hora, que é um produto normal com um ID de modelo.
Daí decorrem três consequências, que importam mais do que qualquer número de WER:
• Você não pode precificá-lo. Ele está incluído na precificação padrão do ElevenAgents, que cobra por minuto de conversa e agrupa o ASR com o LLM do agente, telefonia, síntese de fala e chamadas de ferramentas. Não há uma tarifa de ASR separável, portanto não há um número para colocar em uma planilha de comparação.
• Você não pode avaliá-lo por conta própria fora da plataforma. O único número publicado é a própria execução da ElevenLabs no PriMock57 — 57 consultas simuladas de atenção primária — em que obteve 12,8% contra 15,5% do AssemblyAI Universal-3.6 Pro Realtime no modo médico, 16,3% do Speechmatics Oak-1, 17,0% do Deepgram Nova-3 Pharma e 17,2% do Nova-3 Medical.
• Você ainda não pode enviar {{1}}PHI{{/1}} para ele. A documentação diz claramente: não envie informações de saúde protegidas ao Scribe v3 Live Medical até que a elegibilidade para HIPAA seja confirmada, e a residência de dados na UE não está disponível durante o acesso antecipado. Essa é uma declaração mais firme do que a linha genérica de elegibilidade para HIPAA da página de marketing, e é a que um responsável pela conformidade vai ler.

2,5% contra 12,8% não é uma diferença de cinco vezes
Parece um. Não é, por três razões, e cada uma delas é um tipo diferente de problema de medição.
Os corpora são diferentes. A ferramenta de streaming da Artificial Analysis mede fala geral em muitos idiomas e condições; o PriMock57 são 57 consultas simuladas de clínica geral nas quais duas pessoas discutem sintomas, prescrições e resultados de exames. Consultas clínicas são mais difíceis para todos os modelos — o próprio gráfico da ElevenLabs mostra quatro motores concorrentes em tempo real agrupados entre 15,5% e 17,2% nesse conjunto, incluindo dois modelos criados especificamente para áudio médico. Um índice de 12,8% nesse conjunto é um resultado forte; 2,5% em um conjunto geral é uma conquista de outra natureza.
As condições são diferentes. O número da Microsoft é uma alegação sobre a metodologia de um terceiro, não uma linha que esse terceiro publica. O número da ElevenLabs é uma execução do fornecedor em um conjunto público escolhido pelo fornecedor. Nenhum dos dois é uma medição que você possa contrapor à outra sem rodar os dois no mesmo áudio, e ninguém fez isso.
As tarefas são diferentes de uma forma que importa clinicamente. O modelo da Microsoft é um transcritor geral com viés por palavras-chave e um caso de uso documentado de notas clínicas; ele não é ajustado finamente para nomes de medicamentos. O modelo da ElevenLabs é um ajuste fino do Scribe v3 Live voltado exatamente para esse vocabulário. Em um benchmark geral limpo, espera-se que o modelo geral vença. Em “ele toma metformina 1000 duas vezes ao dia, empagliflozina 10 e atorvastatina 40” — a linha de exemplo na página médica da ElevenLabs — o ajuste fino é o que tem motivo para ser melhor, e o modelo geral é o que depende da sua lista de frases.
A diferença de latência é a que é real
O número que deveria preocupar um concorrente é o 0,13 segundo da Microsoft até uma transcrição final, porque é o tipo de número sobre o qual se pode construir uma plataforma. Abaixo de cerca de 0,2 segundo, o texto de legenda é percebido como simultâneo à fala; um terço de segundo é percebido como a transcrição correndo atrás do falante. A ElevenLabs não publica uma latência para a variante médica, apenas que ela equivale ao Scribe v3 Live, cuja comparação de família é um WER semântico 44% menor que o do Scribe v2 Realtime — um modelo que a ElevenLabs documenta com aproximadamente 150 ms de tempo mediano até a transcrição confirmada. Assim, a leitura plausível é que ambos estão na mesma vizinhança abaixo de um quarto de segundo e que a diferença não é perceptível para uma pessoa acompanhando a leitura.
Onde a diferença realmente aparece é no endpointing, e aqui a ElevenLabs tem a explicação mais específica. Sua previsão de turno usa o contexto da conversa para decidir se quem ligou terminou, então um agente espera durante as pausas dentro de um ID de membro ou de uma data de nascimento em vez de responder aos três primeiros dígitos. O equivalente da Microsoft é a detecção avançada de fim de turno da Voice Live API, que é uma propriedade da camada de agente e não do transcritor. Ambos resolvem isso. Um resolve dentro do produto de ASR e o outro resolve uma camada acima, e, se você estiver montando seu próprio loop de agente, a camada importa.
Custo, lado a lado, com os furos marcados
• Microsoft — US$ 0,54 por hora de áudio é a tarifa introdutória do MAI-Transcribe-2-Streaming, sem preço padrão divulgado; a Microsoft já utilizou essa estrutura antes, e o preço promocional do modelo em lote era explicitamente limitado por tempo.
• ElevenLabs — não existe tarifa de ASR para o Scribe v3 Live Medical. Os valores de referência da família na API são US$ 0,22 por hora para o Scribe v3 Live e US$ 0,08 por hora para prompting de termos-chave em tempo real, e o produto médico da API, Scribe v2 Medical, custa US$ 0,20 por hora no endpoint em lote.
• Em escala — 10.000 minutos de áudio em streaming custam cerca de US$ 90 na tarifa introdutória da Microsoft e são não quantificáveis na precificação da plataforma da ElevenLabs, em que os mesmos dez mil minutos também cobram tokens de LLM, telefonia e voz.
• Vocabulário personalizado — a lista de frases da Microsoft é um parâmetro de solicitação sem sobretaxa publicada; a ElevenLabs inclui até 10.000 termos personalizados sem custo adicional no ElevenAgents e cobra US$ 0,08 por hora por termos-chave em tempo real nos modelos da API.
Vale a pena parar para pensar nesse último par, porque 10.000 termos não é um número redondo de marketing — é aproximadamente o tamanho do formulário de um sistema de saúde de porte médio mais seu quadro de prestadores. Se o seu problema de vocabulário clínico for grande, o orçamento de termos é um recurso real, e a lista de frases da Microsoft, documentada como dicas e não como saída forçada, é um mecanismo diferente com modos de falha diferentes.
Onde a camada de raciocínio se encaixa
Nenhum desses modelos decide nada. Um agente de voz clínico pega a transcrição e faz algo com ela — verifica uma regra de cobertura, redige uma nota, decide se encaminha para uma enfermeira — e essa etapa é uma chamada separada de modelo, com seu próprio orçamento de latência. Em um pipeline em tempo real, o tempo até o primeiro token do modelo de raciocínio costuma contribuir mais para o atraso percebido do que os 0,13 ou 0,15 segundos do transcritor.
Essa etapa é onde um roteador justifica seu lugar. O OrcaRouter oferece 215 modelos por trás de uma única API compatível com OpenAI com 0% de markup, com os preços de tabela dos provedores repassados sem alteração, com failover automático entre provedores — assim, o modelo que raciocina sobre uma transcrição pode ser trocado por um mais rápido, ou sofrer failover no meio da chamada, sem tocar na integração com Azure ou ElevenLabs. Não servimos Scribe v3 Live Medical nem MAI-Transcribe-2-Streaming; a etapa de transcrição fica onde você a comprou.

O veredito, formulado como uma decisão de compra
Escolha MAI-Transcribe-2-Streaming se você precisa de um transcritor que possa ser chamado, precificado e incluído em uma tabela de preços. É o único dos dois que é um modelo, e não um recurso de plataforma; é documentado até o nível de região e SDK, e seu par declarado de precisão e latência é a posição publicada mais forte em ASR de streaming no momento — com a ressalva de que a alegação é da Microsoft e o board não a plotou. Construa sobre o preview com a cautela habitual: sem SLA e com um preço introdutório que vai mudar.
Escolha o Scribe v3 Live Medical se você está comprando um agente, não um transcritor — se o sistema telefônico, a alternância de turnos, a voz e as salvaguardas forem todos da ElevenLabs de qualquer forma, então um ajuste fino clínico dentro dessa pilha vale mais do que um WER geral melhor que você teria de integrar por conta própria. Teste com suas próprias gravações primeiro e não passe PHI por ele até que a documentação pare de avisar para você não fazer isso.
Se está genuinamente indeciso, o critério de desempate não está no site de nenhum dos fornecedores: faça vinte das suas próprias chamadas em ambos, conte os erros que teriam alterado uma decisão clínica em vez dos erros no total e compare essa contagem com o que cada opção lhe custa por mês, incluindo as partes que, de outra forma, teria de construir. Nesse teste, os 2,5% e os 12,8% estarão ambos errados, e é bem possível que a classificação se inverta.
