Титульная карточка с надписью «Scribe v3 Live Medical vs MAI Transcribe 2 Streaming» и подзаголовком «только у одного есть цена». Под ней две карточки со скруглёнными углами рядом: в левой карточке с заголовком «вызываемый» перечислены ID модели, почасовая ставка и четыре региона Azure; правая карточка с заголовком «в комплекте» показывает одну строку «включено в тарифы ElevenAgents», а строка с ID модели затемнена.
Guides & Insights

Scribe v3 Live Medical против MAI Transcribe 2 Streaming: только у одного указана цена

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Сравните Scribe v3 Live Medical и MAI-Transcribe-2-Streaming — и первое отличие не в точности, задержке или количестве языков. Оно в том, что одно из них — продукт, а другое — функция. У MAI-Transcribe-2-Streaming есть строка модели, которую передают в API, опубликованный тариф, статус предварительной версии, четыре поименованных региона Azure и два документированных пути интеграции. У Scribe v3 Live Medical есть выпадающий список в настройках агента ElevenAgents, ограничение раннего доступа и нет собственной цены, потому что он включён в подписку. Microsoft выпустила транскрибатор; ElevenLabs выпустила возможность внутри платформы, которую она также продаёт.

Эта асимметрия делает сравнение точности наименее полезной частью этой страницы, а сравнение закупок — наиболее полезной. Тем не менее цифры стоит озвучить, потому что у Microsoft они самые агрессивные: заявленная потоковая частота ошибок в словах 2,5% при 0,13 секунды до финальной расшифровки против 12,8% у ElevenLabs на имитационных клинических консультациях. Эти два показателя различаются в пять раз и описывают почти ничего общего, поэтому именно это сопоставление требует осторожности, а не вердикта.

Что Microsoft на самом деле выпустила

MAI-Transcribe-2-Streaming — это работающий в реальном времени компаньон MAI-Transcribe-2, внутренней пакетной модели Microsoft AI. Он появился 1 октября 2026 года в публичной предварительной версии, примерно через месяц после выпуска пакетной версии, и обслуживается через речевой стек Azure, а не через отдельную конечную точку ИИ. Существуют два документированных пути интеграции: WebSocket, совместимый с OpenAI Realtime, и Azure Speech SDK, который берёт на себя управление подключениями, повторные попытки и потоковую передачу аудио. Оба возвращают промежуточные результаты, обновляющиеся на месте, и окончательные результаты, подтверждающие каждый сегмент.

Заявления, которые Microsoft прилагает к ней и помечает как заявления производителя, потому что это они и есть: первое место по точности как по финальным, так и по частичным транскриптам в потоковой оценке Artificial Analysis — при частоте ошибок в словах 2,5%, готовом финальном транскрипте через 0,13 секунды после окончания речи и 2,5% на первом частичном транскрипте через 0,12 секунды. Важная оговорка, которая была и у запуска пакетного режима: трекер не отобразил эту модель отдельной строкой. Microsoft заявляет результат по методике третьей стороны, а не ссылается на опубликованное измерение третьей стороны. Фактическим лидером таблицы в потоковом режиме на момент составления была Grok Voice Transcribe 2.0 с показателями 2,73% и 0,49 секунды.

Всё остальное о нём — обычное и хорошо задокументированное: 60 языков с автоматическим непрерывным определением языка, переключение языковых кодов для смешанных пар вроде хинглиша и спэнглиша, заявления об устойчивости к шуму и доступность в регионах Sweden Central, Central US, East US 2 и Southeast Asia. Предупреждение о предварительной версии — стандартная формулировка Azure: соглашение об уровне обслуживания отсутствует, для производственных рабочих нагрузок не рекомендуется.

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'.

Что выпустила ElevenLabs и почему это относится к другой категории

Scribe v3 Live Medical входит в семейство Scribe v3, запущенное 9 ноября 2026 года, и является его медицинским представителем, работающим в реальном времени. Документация ElevenLabs недвусмысленно очерчивает границу: он доступен только в ElevenAgents, недоступен через API Speech to Text, а если вам нужна медицинская транскрипция через API, используйте Scribe v2 Medical — пакетную модель по цене $0,20 в час, которая является обычным продуктом с идентификатором модели.

Из этого следуют три последствия, и они важнее любого показателя WER:

• Вы не можете оценить его стоимость. Он включён в стандартный тариф ElevenAgents, в котором оплата взимается за минуту разговора, а ASR объединён с LLM агента, телефонией, синтезом речи и вызовами инструментов. Отдельной ставки за ASR нет, поэтому нет числа, которое можно было бы внести в таблицу сравнения.

Вы не можете протестировать его самостоятельно вне платформы. Единственный опубликованный показатель — собственный прогон ElevenLabs на PriMock57 — 57 имитационных консультаций первичной медицинской помощи — где он показал 12,8% против 15,5% у AssemblyAI Universal-3.6 Pro Realtime в медицинском режиме, 16,3% у Speechmatics Oak-1, 17,0% у Deepgram Nova-3 Pharma и 17,2% у Nova-3 Medical.

• Вы пока не можете отправлять в него PHI. В документации прямо сказано: не отправляйте защищённую медицинскую информацию в Scribe v3 Live Medical, пока не подтверждено соответствие требованиям HIPAA, а размещение данных в ЕС недоступно в период раннего доступа. Это более категоричное утверждение, чем общая формулировка на маркетинговой странице о соответствии HIPAA, и именно её прочитает специалист по комплаенсу.

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% против 12,8% — это не пятикратный разрыв

Похоже на то. Но это не так, по трём причинам, и каждая из них — проблема измерения особого рода.

Корпуса разные. Потоковый тестовый стенд Artificial Analysis измеряет общую речь на многих языках и в разных условиях; PriMock57 — это 57 смоделированных консультаций врача общей практики, в ходе которых два человека обсуждают симптомы, назначения и результаты анализов. Клинические консультации сложнее для любой модели — собственная диаграмма ElevenLabs показывает, что четыре конкурирующих движка реального времени находятся на нём в диапазоне от 15,5% до 17,2%, включая две модели, специально созданные для медицинского аудио. 12,8% на этом наборе — сильный результат; 2,5% на общем наборе — совсем другое достижение.

Условия разные. Цифра Microsoft — это утверждение, опирающееся на методологию третьей стороны, а не строка, которую эта третья сторона публикует. Цифра ElevenLabs — это прогон вендора на выбранном вендором публичном наборе. Ни то, ни другое не является измерением, которое можно сопоставить с другим, не прогнав оба на одном и том же аудио, а этого никто не делал.

Задачи различаются в клинически значимом отношении. Модель Microsoft — это универсальный транскрибатор с поддержкой смещения по ключевым словам и документированным сценарием использования для клинических записей; она не дообучена на названиях лекарств. Модель ElevenLabs — это дообученная версия Scribe v3 Live, нацеленная именно на такой словарь. На чистом общем бенчмарке общая модель, как ожидается, должна побеждать. На примере «он принимает metformin 1000 два раза в день, empagliflozin 10 и atorvastatin 40» — образцовой строки на медицинской странице ElevenLabs — дообученная модель имеет основания быть лучше, а общая модель — та, что полагается на свой список фраз.

Разница в задержке — вот что реально.

0,13 секунды Microsoft до финальной расшифровки — это показатель, который должен беспокоить конкурента, потому что именно на таких цифрах можно строить платформу. При примерно менее 0,2 секунды текст субтитров воспринимается как одновременный с речью; треть секунды воспринимается так, будто расшифровка гонится за говорящим. ElevenLabs не публикует задержку для медицинского варианта, а лишь сообщает, что он соответствует Scribe v3 Live, чьё сравнение в рамках семейства — на 44% более низкий семантический WER, чем у Scribe v2 Realtime — модели, которую ElevenLabs документирует примерно со 150 мс медианного времени до зафиксированной расшифровки. Таким образом, правдоподобное прочтение таково: обе находятся в одном диапазоне менее четверти секунды, и разница не воспринимается человеком, читающим вслед.

Разница действительно проявляется в определении конца реплики (endpointing), и здесь у ElevenLabs более конкретное решение. Её прогнозирование завершения хода использует контекст разговора, чтобы определить, закончил ли звонящий, поэтому агент пережидает паузы внутри идентификатора участника или даты рождения, вместо того чтобы отвечать на первые три цифры. Аналог от Microsoft — расширенное обнаружение конца хода в Voice Live API, которое является свойством слоя агента, а не транскрибера. Оба решают эту задачу. Один решает её внутри продукта ASR, а другой — на уровень выше, и если вы собираете собственный цикл агента, этот слой имеет значение.

Стоимость, рядом, с отмеченными отверстиями

• Microsoft — $0,54 за аудиочас — это вводный тариф на MAI-Transcribe-2-Streaming, при этом стандартная цена не раскрывается; Microsoft уже применяла такую структуру, а раннее ценообразование пакетной модели было явно ограничено по времени.

• ElevenLabs — для Scribe v3 Live Medical тариф ASR отсутствует. Базовые ориентиры семейства в API составляют $0.22 в час для Scribe v3 Live и $0.08 в час для подсказок по ключевым терминам в реальном времени, а медицинский продукт API Scribe v2 Medical стоит $0.20 в час на пакетной конечной точке.

• При масштабировании — 10 000 минут потокового аудио стоят примерно $90 по вводному тарифу Microsoft и не поддаются количественной оценке в тарифной модели платформы ElevenLabs, где те же десять тысяч минут также включают оплату токенов LLM, телефонии и голоса.

• Пользовательский словарь — список фраз Microsoft является параметром запроса без опубликованной доплаты; ElevenLabs включает до 10 000 пользовательских терминов без дополнительной платы в ElevenAgents и взимает $0.08 в час за ключевые термины в режиме реального времени на моделях API.

На последней паре стоит остановиться, потому что 10 000 терминов — это не круглая маркетинговая цифра, а примерно размер формуляра среднеразмерной системы здравоохранения плюс её реестра поставщиков медицинских услуг. Если ваша проблема с клинической терминологией масштабна, бюджет терминов — это действительно важная функция, а список фраз Microsoft, описанный как подсказки, а не как принудительный вывод, — это другой механизм с другими режимами отказов.

Где место слою рассуждений

Ни одна из этих моделей ничего не решает. Клинический голосовой агент берёт транскрипт и что-то с ним делает — проверяет правило покрытия, составляет черновик заметки, решает, направлять ли к медсестре, — и этот шаг представляет собой отдельный вызов модели с собственным бюджетом задержки. В конвейере реального времени время до первого токена у модели рассуждения часто вносит больший вклад в воспринимаемую задержку, чем 0,13 или 0,15 секунды у транскрибатора.

Именно на этом этапе роутер оправдывает своё место. OrcaRouter обслуживает 215 моделей через один API, совместимый с OpenAI, с наценкой 0%, цены провайдеров из прайс-листов передаются без изменений, с автоматическим переключением при сбоях между провайдерами — так что модель, работающую с транскриптом, можно заменить на более быструю или переключить при сбое прямо во время вызова, не затрагивая интеграцию с Azure или ElevenLabs. Мы не предоставляем Scribe v3 Live Medical или MAI-Transcribe-2-Streaming; этап транскрипции остаётся там, где вы его приобрели.

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.

Вердикт, сформулированный как решение о закупке

Выбирайте MAI-Transcribe-2-Streaming, если вам нужен транскрибатор, который можно вызывать, назначать ему цену и вносить в тарифную карту. Это единственный из двух, что является моделью, а не функцией платформы; он документирован вплоть до уровня региона и SDK, а его заявленная пара «точность — задержка» — самая сильная опубликованная позиция в потоковом ASR на сегодня, с оговоркой, что это заявление Microsoft и совет ещё не нанёс его на график. Стройте на основе превью с обычной осторожностью: без SLA и с вводной ценой, которая будет меняться.

Выбирайте Scribe v3 Live Medical, если вам нужен агент, а не транскрибатор — если телефонная система, управление очередностью реплик, голос и защитные механизмы всё равно будут от ElevenLabs, то клиническая дообученная модель внутри этого стека ценнее, чем лучший общий показатель WER, который вам пришлось бы интегрировать самостоятельно. Сначала протестируйте её на собственных записях и не пропускайте через неё PHI, пока документация не перестанет предупреждать вас об обратном.

Если вы действительно ещё не определились, решающий аргумент не найдёте на сайте ни одного из поставщиков: прогоните двадцать собственных вызовов через оба варианта, посчитайте не общее число ошибок, а те, которые изменили бы клиническое решение, и сравните это число с тем, сколько каждый вариант стоит вам в месяц, включая те части, которые иначе пришлось бы создавать самостоятельно. На этом тесте и 2,5%, и 12,8% окажутся неверными, а рейтинг вполне может перевернуться.