Титульная карточка с надписью «Scribe v3 vs MAI Transcribe 2» и подзаголовком «точность или пропускная способность — выбирайте, что станет вашим узким местом», рядом с двумя парами столбцов с подписями «Точность (AA-WER)» — 1,95% и 2,04% — и «Скорость (× реального времени)» — 76,8x и гораздо более длинный 338,5x, с нижним колонтитулом «Все показатели по данным Artificial Analysis, AA-WER v2.2, без потокового режима».
Guides & Insights

Scribe v3 против MAI Transcribe 2: 0,09 балла и разрыв в скорости в 4,4 раза

Автор

jinhao.song

Дата публикации

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

Поместите ElevenLabs Scribe v3 и MAI-Transcribe-2 на один стенд — и по показателю частоты ошибок в словах они разойдутся на 0,09 процентного пункта: 1,95% против 2,04% в нестриминговом индексе AA-WER от Artificial Analysis. Поместите их на один стенд пропускной способности — и один из них обработает тот же час аудио примерно за четверть фактического времени. Эти два факта указывают в противоположные стороны, и то, какому из них следовать, зависит от вопроса, который большинство сравнений транскрипции никогда не задают: что у вас является узким местом — слова или время. Scribe v3 — более точная модель, причём с преимуществом, которое в реальной эксплуатации будет трудно измерить. MAI-Transcribe-2 в 4,4 раза быстрее и вдвое дешевле. Эта страница о том, за что из этого вам действительно стоит платить.

Начните с корпуса, который похож на ваше аудио.

Разрыв в 0,09 балла по композитной оценке — это среднее, а среднее скрывает разворот. На корпусе Earnings-22 от Artificial Analysis — спонтанная телефонная аудиозапись с акцентами и несколькими говорящими, самое близкое к реальному торговому звонку из всего представленного, — MAI-Transcribe-2 набирает 2,99%, а Scribe v3 — 3,34%. Microsoft выигрывает на этом корпусе с преимуществом 0,35 балла, что вчетверо больше композитного разрыва и в противоположную сторону. На основном наборе с чтением вслух Scribe v3 выигрывает — 1,47% против 1,83%. На VoxPopuli, парламентской речи, — 1,52% против 1,50%: полная ничья в пределах шума.

Итак, «Scribe v3 точнее» — это утверждение о среднем, а среднее имеет смысл, только если ваше аудио представляет собой усреднённую смесь аудиокниг, парламентских заседаний и конференц-звонков. А рабочие нагрузки контакт-центров и голосовых агентов — нет: по форме они соответствуют Earnings-22, и на этом корпусе рейтинг меняется на противоположный. Рабочие нагрузки подкастов и медиаархивов по форме соответствуют чтению вслух, и на них преимущество Scribe v3 реально и больше, чем предполагает сводный показатель.

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.

Оба набора цифр — это измерения Artificial Analysis на общей тестовой среде, и именно поэтому сравнение вообще имеет смысл. Собственные материалы запуска ни одного из поставщиков несопоставимы с материалами другого: ElevenLabs сообщает о 27% относительном приросте FLEURS по сравнению с Scribe v2 на 102 языках, Microsoft сообщает о среднем значении FLEURS 5,2% по 60 языкам, причём эти два числа вычислены на разных наборах языков с разным усреднением. Сторонний рейтинг — единственное место, где две модели встречаются на равных условиях.

4,4× — это число, которое меняет архитектуру

Именно по пропускной способности две модели перестают выглядеть взаимозаменяемыми. MAI-Transcribe-2 показывает медианный коэффициент скорости 338,5 на бенчмарке Artificial Analysis; Scribe v3 — 76,8. Обе работают намного быстрее реального времени — Scribe v3 обрабатывает час аудио менее чем за минуту — поэтому для ночного пакетного задания, которое пополняет архив подкастов, эта разница незаметна. А для любых интерактивных задач — уже нет.

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.

Рассмотрим голосового агента, которому нужна транскрипция, прежде чем он сможет решить, что сказать дальше. При 76,8× час аудио требует 47 секунд вычислений. Это нормально, когда аудио — готовая запись, и бесполезно, когда аудио поступает в реальном времени; поэтому ElevenLabs продаёт отдельную модель реального времени для этой задачи, а не указывает на пакетную. Ответ Microsoft — тоже отдельный потоковый SKU. Пакетная модель ни одного из поставщиков не подходит для живого аудио; показатель пропускной способности важен для другого случая — высоконагруженных асинхронных конвейеров, где вы обрабатываете тысячи часов в день и ждёт очередь, а не звонящий.

При 10 000 часов в месяц для 76,8× требуется около 130 часов вычислений, а для 338,5× — около 30. Это разница между кластером, который вы арендуете почасово, и кластером, который вы почти не замечаете. Это также разница между бэкфиллом, который завершается за ночь, и тем, который завершается за выходные.

Цена: коэффициент два, с датой истечения срока действия

По прейскурантной цене разрыв выглядит четче, чем разрыв в точности. MAI-Transcribe-2 стоит $0,10 за час аудио, или $1,67 за 1 000 минут. Scribe v3 — $0,20 за час аудио после снижения цен ElevenLabs 17 ноября, или $3,33 за 1 000 минут. Ровно вдвое — и в том, и в другом случае.

Тариф Microsoft сопровождается оговоркой, которую нужно учитывать в любом бюджете, построенном на нём: $0.10 в час — это вводное предложение, действующее до конца 2026 года, а стандартный тариф, который последует за ним, Microsoft не опубликовала. План на 2027 год, привязанный к $1.67 за 1 000 минут, — это план, в котором есть строка без цены. Тариф ElevenLabs — это действующая прейскурантная цена после снижения, а не промоакция, что делает её более обоснованной цифрой для многолетней модели, даже если сегодня она выше.

Ещё две статьи расходов не входят в базовую ставку, и обе в пользу ElevenLabs. Подсказки по ключевым терминам в Scribe v3 тарифицируются в размере $0.05 в час сверх базовой ставки; редактирование транскрипта — $0.07. Microsoft включает приоритизацию ключевых слов в сам запрос на транскрипцию. А почасовая ставка ElevenLabs покрывает диаризацию, обнаружение сущностей и временные метки слов в одном проходе, тогда как Microsoft ведёт учёт через ресурсы Azure Speech, где сопутствующие услуги имеют собственные позиции в счёте. Двукратная разница реальна, но это нижняя граница разрыва, а не верхняя.

Функции, в которых они действительно расходятся

• Режим дословной транскрипции — в MAI-Transcribe-2 он есть, реализован как переключатель между дословным и очищенным стилями вывода. В Scribe v3 его нет; ElevenLabs указывает для модели «отсутствие режима дословной транскрипции». Для комплаенс-записи, оценки качества и любых сценариев, где фальстарт является доказательством, это жёсткое требование, и оно само по себе определяет выбор.

• Языковой охват — Scribe v3 задокументирован для 90+ языков; MAI-Transcribe-2 — для 60, с опубликованной таблицей поддержки по каждому языку и автоматическим определением языка, включённым по умолчанию. ElevenLabs перечисляет названия языков, но его разбивка по точности уже, чем заявленный охват.

• Диаризация — Scribe v3 поддерживает до 32 говорящих, причём производитель заявляет на 12% меньше ошибок диаризации, чем в v2, и на 17% меньше при трёх и более говорящих. MAI-Transcribe-2 предлагает диаризацию в виде параметра с сегментами, размеченными по говорящим, а Microsoft вообще не публикует показатель частоты ошибок диаризации. Неизмеренное — не то же самое, что плохое, но оно остаётся неизмеренным.

• Доменный словарь — Scribe v3 принимает до 1000 ключевых терминов на пакетный запрос. MAI-Transcribe-2 принимает список фраз произвольной длины в качестве подсказок для распознавания, причём в документации прямо указано, что термины являются подсказками, а не принудительно выдаваемым результатом.

• Форма развертывания — MAI-Transcribe-2 работает через эндпоинт расширенного режима Azure Speech в именованных регионах, с путями через REST и SDK и интеграцией Voice Live для транскрипции входящего аудио. Scribe v3 — это изменение идентификатора модели в существующей интеграции ElevenLabs: по умолчанию обработка выполняется в США, а в корпоративных планах доступны варианты размещения данных в ЕС, Индии и Сингапуре.

• Соответствие требованиям — ElevenLabs требует подписания соглашения Business Associate Agreement через отдел продаж до начала любой работы, связанной с HIPAA, а в его документации не указано, что сам Scribe v3 соответствует требованиям HIPAA: там лишь сказано, что клиенты из сферы здравоохранения обязаны сначала подписать BAA. Стек Microsoft Azure Speech обладает привычным набором региональных и корпоративных средств обеспечения соответствия. Внимательно изучите оба варианта, прежде чем пропускать через любой из них аудиозаписи пациентов.

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.

Запуск обоих без второго контракта

Реалистичный ответ для большинства команд — не единственный победитель, а разделение: одна модель для того корпуса, где она выигрывает, с маршрутизацией по типу нагрузки. Именно для этого и существует слой маршрутизации OrcaRouter выше по конвейеру — транскрипты суммаризируются, классифицируются и обрабатываются, и именно эти вызовы размножаются. Один API для 200+ моделей, списочные цены провайдеров без наценки, автоматическое переключение при сбое, а также DSL маршрутизации, который позволяет отправить транскрипт встречи одному суммаризатору, а транскрипт по комплаенсу — другому, без второй интеграции. Ни Scribe v3, ни MAI-Transcribe-2 нет в нашем списке — обе предоставляются их вендорами — так что разделение по-прежнему означает два контракта на распознавание речи. Схлопывается же всё, что идёт после транскрипта.

Если вы всё же хотите одного вендора, разрешить спор дёшево: возьмите сто часов собственного аудио, оцените на нём обе модели и смотрите на подмножество в форме Earnings-22, а не на среднее. Композитный разрыв в 0,09 балла меньше, чем разница, которую любая из моделей показывает между корпусами, а значит, опубликованный лидерборд — это априорное предположение, а не ответ.

Кто должен выбирать

Выбирайте MAI-Transcribe-2, если ваше аудио — разговорное, объём большой, конвейер асинхронный и вам нужен дословный вывод — и закладывайте в бюджет изменение тарифа в январе. Выбирайте Scribe v3, если вам нужна широта языков, большое число говорящих, опубликованное заявление о диаризации или цена, которую можно заложить в трёхлетнюю модель без звёздочки. Выбирайте оба, разделив по корпусу, если у вас есть операционная готовность — разница в точности между ними достаточно мала, так что решение на самом деле о пропускной способности, поддержке дословного вывода и о том, чьей ценовой политике вы доверяете настолько, чтобы она сохранилась и в следующем году.