Titelkort med texten "Scribe v3 Live Medical vs MAI Transcribe 2 Streaming" och underrubriken "bara en har ett pris". Under det två rundade kort sida vid sida: det vänstra kortet med rubriken "anropsbar" listar modell-ID, timpris och fyra Azure-regioner; det högra kortet med rubriken "paketerad" visar en enda rad med texten "ingår i ElevenAgents prissättning", med modell-ID-raden nedtonad.
Guides & Insights

Scribe v3 Live Medical vs MAI Transcribe 2 Streaming: Bara en har ett pris

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Ställ Scribe v3 Live Medical och MAI-Transcribe-2-Streaming mot varandra, och den första skillnaden är inte träffsäkerhet, latens eller antal språk. Det är att den ena är en produkt och den andra är en funktion. MAI-Transcribe-2-Streaming har en modellsträng som du skickar till ett API, en publicerad taxa, en förhandsversionsstatus, fyra namngivna Azure-regioner och två dokumenterade integrationsvägar. Scribe v3 Live Medical har en rullgardinsmeny i inställningarna för en ElevenAgents-agent, en spärr för tidig åtkomst och inget eget pris eftersom det är inbakad i en prenumeration. Microsoft levererade en transkriberare; ElevenLabs levererade en funktion inuti en plattform som de också säljer.

Den asymmetrin gör noggrannhetsjämförelsen till den minst användbara delen av den här sidan och upphandlingsjämförelsen till den mest användbara. Ändå förtjänar siffrorna att nämnas, eftersom Microsofts är de aggressiva: en uppgiven ordfelsfrekvens på 2,5 % för strömning vid 0,13 sekunder till en slutlig transkription, mot ElevenLabs 12,8 % på simulerade kliniska konsultationer. De två siffrorna skiljer sig fem gånger och beskriver nästan ingenting gemensamt, vilket är precis varför den här jämförelsen kräver omsorg snarare än en dom.

Vad Microsoft faktiskt levererade

MAI-Transcribe-2-Streaming är realtidskompanjonen till MAI-Transcribe-2, Microsoft AIs interna batchmodell. Den lanserades den 1 oktober 2026 i offentlig förhandsversion, ungefär en månad efter batchsläppet, och den tillhandahålls via Azures talstack i stället för via en separat AI-slutpunkt. Det finns två dokumenterade integrationsvägar: en WebSocket som är kompatibel med OpenAI Realtime, och Azure Speech SDK, som sköter anslutningar, återförsök och ljudströmning åt dig. Båda returnerar mellanliggande resultat som uppdateras på plats och slutliga resultat som bekräftar varje segment.

De påståenden som Microsoft kopplar till det, märkta som leverantörspåståenden eftersom det är vad de är: etta på noggrannhet för både slutliga och partiella transkript i streamingutvärderingen från Artificial Analysis, med en ordningsfelkvot på 2,5 % där det slutliga transkriptet är klart 0,13 sekunder efter talets slut och 2,5 % för den första partiella transkripten vid 0,12 sekunder. Det viktiga förbehållet, som även gällde batchlanseringen: trackern har inte plottat den här modellen som en rad. Microsoft hävdar ett resultat enligt en tredje parts metodik, inte genom att citera en tredje parts publicerade mätning. Den faktiska ledaren för streaming på tavlan vid tidpunkten för utkastet var Grok Voice Transcribe 2.0 med 2,73 % och 0,49 sekunder.

Allt annat med det är vanligt och väl dokumenterat: 60 språk med automatisk kontinuerlig språkidentifiering, kodväxling för blandade par som Hinglish och Spanglish, påståenden om robusthet mot brus samt tillgänglighet i Sweden Central, Central US, East US 2 och Southeast Asia. Förhandsversionsfriskrivningen är sedvanligt Azure-språk – inget serviceavtal, rekommenderas inte för produktionsarbetslaster.

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'.

Vad ElevenLabs har släppt, och varför det är i en annan kategori

Scribe v3 Live Medical ingår i Scribe v3-familjen som lanserades den 9 november 2026 och är dess medicinska realtidsmedlem. ElevenLabs dokumentation är tydlig om gränsen: den är endast tillgänglig i ElevenAgents, den är inte tillgänglig via Speech to Text API, och om du vill ha medicinsk transkribering via API:et bör du använda Scribe v2 Medical – batchmodellen, för 0,20 USD per timme, som är en vanlig produkt med ett modell-ID.

Tre konsekvenser följer, och de är viktigare än någon WER-siffra:

• Du kan inte sätta ett pris på det. Det ingår i ElevenAgents standardprissättning, som debiteras per samtalsminut och paketerar ASR tillsammans med agentens LLM, telefoni, talsyntes och verktygsanrop. Det finns ingen separat ASR-taxa, så det finns inget nummer att lägga in i ett jämförelsekalkylark.

• Du kan inte benchmarka det själv utanför plattformen. Den enda publicerade siffran är ElevenLabs egen körning på PriMock57 – 57 simulerade primärvårdskonsultationer – där det fick 12,8 % mot 15,5 % för AssemblyAI Universal-3.6 Pro Realtime i medicinskt läge, 16,3 % för Speechmatics Oak-1, 17,0 % för Deepgram Nova-3 Pharma och 17,2 % för Nova-3 Medical.

• Du kan ännu inte skicka PHI till den. Dokumentationen säger uttryckligen: skicka inte skyddad hälsoinformation till Scribe v3 Live Medical förrän HIPAA-behörighet har bekräftats, och EU-datalagring är inte tillgänglig under tidig åtkomst. Det är ett bestämdare uttalande än marknadsföringssidans allmänna rad om HIPAA-behörighet, och det är den som en regelefterlevnadsansvarig kommer att läsa.

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 % mot 12,8 % är inte en femfaldig skillnad

Det ser ut som en. Det är det inte, av tre skäl, och vart och ett av dem är ett annat slags mätproblem.

Korpusarna är olika. Artificial Analysis streaming-testrigg mäter allmänt tal över många språk och förhållanden; PriMock57 är 57 simulerade allmänläkarkonsultationer där två personer diskuterar symtom, recept och provresultat. Kliniska konsultationer är svårare för alla modeller – ElevenLabs eget diagram visar fyra konkurrerande realtidsmotorer som ligger tätt mellan 15,5 % och 17,2 % på den, inklusive två modeller byggda specifikt för medicinskt ljud. 12,8 % på den uppsättningen är ett starkt resultat; 2,5 % på en allmän uppsättning är en annan bedrift.

Förutsättningarna är olika. Microsofts siffra är ett påstående grundat på en tredje parts metodik, inte en rad som den tredje parten publicerar. ElevenLabs siffra är en leverantörskörning på en av leverantören vald offentlig uppsättning. Ingen av dem är en mätning som du kan ställa mot den andra utan att köra båda på samma ljud, och det har ingen gjort.

Uppgifterna skiljer sig på ett sätt som har klinisk betydelse. Microsofts modell är en allmän transkriberare med nyckelordsbias och ett dokumenterat användningsfall för kliniska anteckningar; den är inte finjusterad på läkemedelsnamn. ElevenLabs modell är en finjusterad version av Scribe v3 Live inriktad på exakt den vokabulären. På en ren allmän resultattavla bör den allmänna modellen förväntas vinna. På ”han tar metformin 1000 två gånger om dagen, empagliflozin 10 och atorvastatin 40” – exempelraden på ElevenLabs medicinska sida – är det den finjusterade modellen som har skäl att vara bättre, och den allmänna modellen är den som förlitar sig på sin fraslista.

Latensskillnaden är den som är verklig.

Microsofts 0,13 sekunder till en slutlig transkription är siffran som borde oroa en konkurrent, eftersom det är den typen av tal som en plattform kan byggas på. Under ungefär 0,2 sekunder uppfattas undertexten som samtidig med talet; en tredjedels sekund uppfattas som att transkriptionen jagar talaren. ElevenLabs publicerar ingen latens för den medicinska varianten, bara att den matchar Scribe v3 Live, vars jämförelse inom familjen visar 44 % lägre semantisk WER än Scribe v2 Realtime – en modell som ElevenLabs anger ha en median på cirka 150 ms till fastställd transkription. Den rimliga tolkningen är därför att båda ligger i samma intervall strax under en kvarts sekund och att skillnaden inte är märkbar för en person som läser med.

Där skillnaden faktiskt syns är i endpointing, och här har ElevenLabs den mer specifika lösningen. Dess turprediktion använder samtalskontext för att avgöra om en inringare har talat färdigt, så en agent väntar ut pauserna i ett medlems-ID eller ett födelsedatum i stället för att svara på de tre första siffrorna. Microsofts motsvarighet är Voice Live API:s avancerade detektering av tursslut, vilket är en egenskap hos agentlagret snarare än transkriberaren. Båda löser det. Den ena löser det i ASR-produkten och den andra löser det ett lager upp, och om du sätter ihop din egen agentloop spelar lagret roll.

Kostnad, sida vid sida, med hålen markerade

• Microsoft — 0,54 dollar per ljudtimme är introduktionspriset för MAI-Transcribe-2-Streaming, och något standardpris anges inte; Microsoft har använt den här strukturen tidigare, och batchmodellens early-bird-pris var uttryckligen tidsbegränsat.

• ElevenLabs – det finns ingen ASR-taxa för Scribe v3 Live Medical. Familjens prisankare på API:et är $0.22 per timme för Scribe v3 Live och $0.08 per timme för realtids-promptning med nyckeltermer, och den medicinska API-produkten Scribe v2 Medical kostar $0.20 per timme på batch-endpointen.

• I stor skala kostar 10 000 minuter strömmat ljud ungefär $90 till Microsofts introduktionspris och går inte att beräkna med ElevenLabs plattformsprissättning, där samma tiotusen minuter även fakturerar LLM-token, telefoni och röst.

• Anpassad ordlista — Microsofts fraslista är en begärandeparameter utan publicerad extraavgift; ElevenLabs inkluderar upp till 10 000 anpassade termer utan extra kostnad i ElevenAgents och debiterar $0.08 per timme för realtidsnyckeltermer på API-modellerna.

Det sista paret är värt att stanna upp vid, för 10 000 termer är inte en marknadsföringsrund siffra – det är ungefär lika stort som ett medelstort vårdsystems läkemedelsförteckning plus dess vårdgivarförteckning. Om ditt kliniska vokabulärproblem är stort är termbudgeten en verklig funktion, och Microsofts fraslista, som dokumenteras som ledtrådar snarare än påtvingad utdata, är en annan mekanism med andra typer av fel.

Var resonemangslagret passar in

Ingen av dessa modeller fattar några beslut. En klinisk röstagent tar transkriptionen och gör något med den – kontrollerar en täckningsregel, skapar ett utkast till en anteckning, avgör om den ska skickas vidare till en sjuksköterska – och det steget är ett separat modellanrop med sin egen latensbudget. I en realtidspipeline är resonemangsmodellens time-to-first-token ofta en större bidragande orsak till upplevd fördröjning än transkriberarens 0,13 eller 0,15 sekunder.

Det segmentet är där en router förtjänar sin plats. OrcaRouter tillhandahåller 215 modeller bakom ett enda OpenAI-kompatibelt API med 0 % påslag, leverantörernas listpriser förs vidare oförändrade, med automatisk failover mellan leverantörer — så att modellen som resonerar över en transkription kan bytas ut mot en snabbare, eller växlas över mitt under anropet, utan att röra Azure- eller ElevenLabs-integrationen. Vi tillhandahåller inte Scribe v3 Live Medical eller MAI-Transcribe-2-Streaming; transkriptionssegmentet stannar där du köpte det.

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.

Domen, uttryckt som ett upphandlingsbeslut

Välj MAI-Transcribe-2-Streaming om du behöver en transkriberare som du kan anropa, prissätta och föra in i en prislista. Det är den enda av de två som är en modell snarare än en plattformsfunktion, den är dokumenterad ända ned till region- och SDK-nivå, och dess påstådda noggrannhet–latens-par är den starkaste publicerade positionen inom streaming-ASR just nu – med förbehållet att påståendet är Microsofts och att styrelsen inte har plottat det. Bygg vidare på förhandsversionen med vanlig försiktighet: inget SLA, och ett introduktionspris som kommer att röra sig.

Välj Scribe v3 Live Medical om du köper en agent, inte en transkriberare – om telefonsystemet, turtagningen, rösten och skyddsräckena ändå alla ska vara ElevenLabs', är en klinisk finjustering inom den stacken värd mer än en bättre generell WER som du själv skulle behöva integrera. Testa det först på dina egna inspelningar, och kör inte PHI genom det förrän dokumentationen slutar varna dig för att inte göra det.

Om du verkligen är osäker finns avgörandet inte på någon av leverantörernas webbplatser: kör tjugo av dina egna anrop genom båda, räkna de fel som skulle ha ändrat ett kliniskt beslut snarare än felen totalt, och jämför den siffran med vad varje alternativ kostar dig per månad, inklusive de delar du annars skulle behöva bygga själv. I det testet kommer både 2,5 % och 12,8 % att vara fel, och rangordningen kan mycket väl vända.