
Scribe v3 против MAI Transcribe 2: 0,09 балла и разрыв в скорости в 4,4 раза
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 186 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 358 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 87 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 139 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
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.

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.

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.

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.
