Cartão de título com o texto 'Scribe v3 vs MAI Transcribe 2' e o subtítulo 'acurácia ou vazão — escolha seu gargalo', ao lado de dois pares de barras rotulados 'Acurácia (AA-WER)' em 1,95% e 2,04% e 'Velocidade (x tempo real)' em 76,8x e um valor muito maior, 338,5x, com um rodapé com o texto 'Todos os números conforme a Artificial Analysis, AA-WER v2.2, sem streaming'.
Guides & Insights

Scribe v3 vs MAI Transcribe 2: 0,09 ponto e uma diferença de velocidade de 4,4x

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Coloque o ElevenLabs Scribe v3 e o MAI-Transcribe-2 no mesmo harness e eles terminam com 0,09 ponto percentual de diferença na taxa de erro de palavra — 1,95% contra 2,04% no Índice AA-WER não streaming do Artificial Analysis. Coloque-os no mesmo benchmark de throughput e um deles conclui a mesma hora de áudio em cerca de um quarto do tempo de relógio. Esses dois fatos apontam em direções opostas, e qual deles você segue depende de uma pergunta que a maioria das comparações de transcrição nunca faz: se o seu gargalo são as palavras ou o relógio. O Scribe v3 é o modelo mais preciso, por uma margem que você terá dificuldade de medir em produção. O MAI-Transcribe-2 é 4,4× mais rápido e custa metade do preço. Esta página é sobre por qual deles você deve realmente pagar.

Comece pelo corpus que se parece com o seu áudio.

A diferença composta de 0,09 ponto é uma média, e a média esconde uma inversão. No corpus Earnings-22 do Artificial Analysis — áudio telefônico espontâneo, com sotaque e com vários falantes, a coisa mais próxima no quadro de uma ligação de vendas real —, o MAI-Transcribe-2 obtém 2,99% e o Scribe v3 obtém 3,34%. A Microsoft vence nesse corpus por 0,35 ponto, quatro vezes o tamanho da diferença composta, na direção oposta. No conjunto principal de fala lida, o Scribe v3 vence por 1,47% a 1,83%. No VoxPopuli, fala parlamentar, é 1,52% a 1,50% — um empate técnico dentro do ruído.

Assim, «O Scribe v3 é mais preciso» é uma afirmação sobre uma média, e a média só é significativa se o seu áudio for uma média de audiolivros, sessões parlamentares e chamadas de conferência. As cargas de trabalho de contact centres e de agentes de voz não o são; têm a forma do Earnings-22, e nesse corpus a classificação inverte-se. As cargas de trabalho de podcasts e de arquivos de media têm a forma de fala lida, e nesses casos a vantagem do Scribe v3 é real e maior do que o compósito sugere.

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.

Os dois conjuntos de números são medições da Artificial Analysis em um harness compartilhado, e essa é a única razão pela qual a comparação vale a pena. O material de lançamento de nenhum dos fornecedores é comparável ao do outro: a ElevenLabs relata um ganho relativo de 27% no FLEURS sobre o Scribe v2 em 102 idiomas, a Microsoft relata uma média FLEURS de 5,2% em 60 idiomas, e esses dois números são calculados sobre conjuntos de idiomas diferentes, com médias diferentes. O painel de terceiros é o único lugar em que os dois modelos se encontram em condições iguais.

O 4.4× é o número que muda a arquitetura

A taxa de transferência é onde os dois modelos deixam de parecer substitutos. O MAI-Transcribe-2 opera com um fator de velocidade mediano de 338,5 no benchmark da Artificial Analysis; o Scribe v3 opera a 76,8. Ambos são muito mais rápidos que o tempo real — o Scribe v3 processa uma hora de áudio em menos de um minuto —, então, para uma tarefa em lote noturna que preenche retroativamente um arquivo de podcast, a diferença é invisível. Para qualquer coisa interativa, não é.

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.

Considere um agente de voz que precisa de uma transcrição antes de decidir o que dizer em seguida. A 76,8×, uma hora de áudio leva 47 segundos de computação. Isso é aceitável quando o áudio é uma gravação finalizada e inútil quando o áudio está chegando ao vivo, e é por isso que a ElevenLabs vende um modelo de tempo real separado para essa tarefa, em vez de apontar para o modelo em lote. A resposta da Microsoft também é um SKU de streaming separado. O modelo em lote de nenhum dos fornecedores é a ferramenta certa para áudio ao vivo; o número de vazão importa para um caso diferente — pipelines assíncronos de alto volume em que você processa milhares de horas por dia e a fila, e não quem está ligando, é que está esperando.

A 10.000 horas por mês, 76,8× precisa de cerca de 130 horas de computação e 338,5× precisa de cerca de 30. Essa é a diferença entre um cluster que você aluga por hora e um que você mal percebe. É também a diferença entre um backfill que termina durante a noite e um que termina ao longo de um fim de semana.

Preço: um fator de dois, com prazo de validade

No preço de tabela, a diferença é mais nítida do que a diferença de precisão. O MAI-Transcribe-2 custa US$ 0,10 por hora de áudio, ou US$ 1,67 por 1.000 minutos. O Scribe v3 custa US$ 0,20 por hora de áudio após o corte de preços da ElevenLabs em 17 de novembro, ou US$ 3,33 por 1.000 minutos. Exatamente o dobro, em ambos os extremos.

A tarifa da Microsoft traz uma ressalva que deve constar em qualquer orçamento baseado nela: US$ 0,10 por hora é uma oferta introdutória válida até o fim de 2026, e a Microsoft não publicou a tarifa padrão que vem depois. Um plano para 2027 fixado em US$ 1,67 por 1.000 minutos é um plano com uma linha sem preço. A tarifa da ElevenLabs é o preço de tabela vigente após um corte, não uma promoção, o que a torna o número mais defensável para um modelo plurianual, embora seja o mais alto hoje.

Há outros dois custos fora da tarifa anunciada, e ambos favorecem a ElevenLabs. O keyterm prompting no Scribe v3 é cobrado a US$ 0,05 por hora além da tarifa base; a edição de transcrições, a US$ 0,07. A Microsoft incorpora o direcionamento por palavras-chave na chamada de transcrição. E a tarifa por hora da ElevenLabs cobre diarização, detecção de entidades e timestamps de palavras na mesma passagem, enquanto a Microsoft cobra por meio de recursos do Azure Speech, em que os serviços adjacentes têm seus próprios itens de cobrança. O múltiplo de duas vezes é real, mas é um piso para a diferença, não um teto.

Funcionalidades em que eles realmente divergem

• Modo literal — o MAI-Transcribe-2 tem, como uma opção entre estilos de saída literal e limpa. O Scribe v3 não tem; a ElevenLabs documenta "nenhum modo literal" para o modelo. Para gravação de conformidade, pontuação de QA e qualquer situação em que um falso início seja evidência, isso é um requisito rígido e decide a escolha por si só.

• Amplitude de idiomas — O Scribe v3 está documentado em mais de 90 idiomas; o MAI-Transcribe-2, em 60, com uma tabela de suporte por idioma publicada e identificação automática de idioma ativada por padrão. A ElevenLabs lista nomes de idiomas, mas seu detalhamento de precisão é mais restrito do que a cobertura que alega.

• Diarização — Scribe v3 com até 32 falantes, com o fornecedor alegando 12% menos erros de diarização do que a v2 e 17% menos com três ou mais falantes. O MAI-Transcribe-2 oferece diarização como parâmetro com segmentos rotulados por falante, e a Microsoft não publica nenhuma taxa de erro de diarização. Não medido não é o mesmo que ruim, mas é não medido.

• Vocabulário de domínio — o Scribe v3 aceita até 1.000 termos-chave por solicitação em lote. O MAI-Transcribe-2 aceita uma lista de frases de comprimento arbitrário como dicas de reconhecimento, com a documentação deixando explícito que os termos são dicas e não saída forçada.

• Formato de implantação — o MAI-Transcribe-2 é executado por meio do endpoint em modo aprimorado do Azure Speech em regiões nomeadas, com caminhos REST e SDK e uma integração com o Voice Live para transcrição de entrada. O Scribe v3 é uma mudança de ID de modelo em uma integração existente do ElevenLabs, com processamento nos EUA por padrão e opções de residência na UE, na Índia e em Singapura nos planos empresariais.

• Conformidade — A ElevenLabs exige um Business Associate Agreement assinado junto à equipe de vendas antes de qualquer trabalho envolvendo HIPAA, e sua documentação não afirma que o próprio Scribe v3 seja elegível para HIPAA, apenas que clientes da área de saúde precisam assinar um BAA primeiro. O conjunto Azure Speech da Microsoft traz a habitual gama de conformidade regional e empresarial. Leia ambos com atenção antes de submeter áudio de pacientes a qualquer um dos dois.

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.

Executando ambos sem um segundo contrato

A resposta realista para a maioria das equipas não é um vencedor, mas uma divisão: um modelo para o corpus em que vence, encaminhado de acordo com a carga de trabalho. É para esse caso que a camada de encaminhamento do OrcaRouter existe mais acima no pipeline — as transcrições são resumidas, classificadas e acionadas, e são essas as chamadas que se multiplicam. Uma API para mais de 200 modelos, preços de lista dos fornecedores repassados com 0% de margem, failover automático, e uma DSL de encaminhamento que pode enviar uma transcrição de reunião para um sumarizador e uma transcrição de conformidade para outro sem uma segunda integração. Nem o Scribe v3 nem o MAI-Transcribe-2 estão no nosso catálogo — ambos são servidos pelos respetivos fornecedores —, pelo que a divisão continua a significar dois contratos de fala. O que colapsa é tudo o que está a jusante da transcrição.

Se você realmente quiser um único fornecedor, o critério de desempate é barato de executar: pegue cem horas do seu próprio áudio, avalie os dois com ele e olhe para o subconjunto no formato Earnings-22 em vez da média. A diferença composta de 0,09 ponto é menor que a diferença que qualquer um dos modelos mostra entre os corpora, o que significa que o leaderboard publicado é uma informação prévia, não uma resposta.

Quem deve escolher qual?

Escolha o MAI-Transcribe-2 se o seu áudio for conversacional, o volume for alto, o seu pipeline for assíncrono e você precisar de saída literal — e reserve orçamento para a tarifa mudar em janeiro. Escolha o Scribe v3 se precisar de amplitude de idiomas, grande número de falantes, uma alegação publicada de diarização ou um preço que você possa incluir em um modelo de três anos sem asterisco. Escolha ambos, divididos por corpus, se tiver apetite operacional — a diferença de precisão entre eles é pequena o suficiente para que a decisão seja, na prática, sobre throughput, suporte a transcrição literal e em qual precificação você confia que ainda existirá no próximo ano.