การ์ดชื่อเรื่องระบุว่า 'Scribe v3 vs MAI Transcribe 2' พร้อมคำบรรยายใต้ชื่อว่า 'ความแม่นยำหรือปริมาณงาน — เลือกคอขวดของคุณ' อยู่ข้างแท่งกราฟคู่สองชุดที่ติดป้าย 'Accuracy (AA-WER)' ที่ 1.95% และ 2.04% กับ 'Speed (x real time)' ที่ 76.8x และอีกค่าที่ยาวกว่ามากที่ 338.5x พร้อมข้อความส่วนท้ายว่า 'ตัวเลขทั้งหมดอ้างอิงตาม Artificial Analysis, AA-WER v2.2, แบบไม่สตรีมมิ่ง'
Guides & Insights

Scribe v3 กับ MAI Transcribe 2: ต่างกัน 0.09 คะแนน และความเร็วต่างกัน 4.4 เท่า

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

หากนำ ElevenLabs Scribe v3 และ MAI-Transcribe-2 มาวัดบนชุดทดสอบเดียวกัน ทั้งคู่จะจบด้วยอัตราคำผิดพลาด (word error rate) ต่างกันเพียง 0.09 เปอร์เซ็นต์พอยต์ — 1.95% เทียบกับ 2.04% บน AA-WER Index แบบ non-streaming ของ Artificial Analysis หากนำทั้งสองมาทดสอบทรูพุตบนเกณฑ์เดียวกัน ตัวหนึ่งจะประมวลผลเสียงหนึ่งชั่วโมงเดียวกันเสร็จในเวลาจริงเพียงประมาณหนึ่งในสี่ ข้อเท็จจริงสองข้อนี้ชี้ไปคนละทาง และคุณจะยึดข้อไหนนั้นขึ้นอยู่กับคำถามที่การเปรียบเทียบระบบถอดเสียงส่วนใหญ่ไม่เคยถาม นั่นคือ คอขวดของคุณอยู่ที่คำหรืออยู่ที่เวลา Scribe v3 เป็นโมเดลที่แม่นยำกว่าในระดับที่คุณจะวัดความต่างได้ยากในการใช้งานจริง MAI-Transcribe-2 เร็วกว่า 4.4 เท่า และราคาถูกกว่าครึ่งหนึ่ง หน้านี้ว่าด้วยว่าจริง ๆ แล้วคุณควรจ่ายเงินให้กับตัวไหนในสองตัวนี้

เริ่มต้นด้วยคลังข้อมูลที่มีลักษณะคล้ายเสียงของคุณ

ช่องว่างคอมโพสิต 0.09 คะแนนเป็นค่าเฉลี่ย และค่าเฉลี่ยก็ปกปิดการพลิกกลับไว้ ในคลังข้อมูล Earnings-22 ของ Artificial Analysis — เสียงโทรศัพท์ของผู้พูดหลายคนที่พูดตามธรรมชาติและมีสำเนียง ซึ่งเป็นสิ่งที่ใกล้เคียงกับการโทรขายจริงมากที่สุดบนกระดานจัดอันดับ — MAI-Transcribe-2 ได้ 2.99% และ Scribe v3 ได้ 3.34% Microsoft ชนะในคลังข้อมูลนั้นด้วย 0.35 คะแนน ซึ่งมากกว่าช่องว่างคอมโพสิตถึงสี่เท่า โดยไปในทิศทางตรงกันข้าม ในชุดเสียงอ่านหลัก Scribe v3 ชนะ 1.47% ต่อ 1.83% ใน VoxPopuli ซึ่งเป็นคำพูดในรัฐสภา ตัวเลขคือ 1.52% ต่อ 1.50% — เสมอกันจนแยกไม่ออกภายใต้ความคลาดเคลื่อน

ดังนั้น "Scribe v3 แม่นยำกว่า" จึงเป็นข้อความเกี่ยวกับค่าเฉลี่ย และค่าเฉลี่ยจะมีความหมายก็ต่อเมื่อออดิโอของคุณเป็นค่าเฉลี่ยของออดิโอบุ๊ก รัฐสภา และการประชุมทางโทรศัพท์ งานประเภทศูนย์ติดต่อลูกค้าและตัวแทนเสียงไม่ใช่เช่นนั้น—งานเหล่านี้มีลักษณะแบบ Earnings-22 และบนคอร์ปัสนั้น การจัดอันดับพลิกกลับ งานประเภทพอดแคสต์และคลังสื่อมีลักษณะเป็นเสียงอ่าน และบนงานเหล่านั้น ข้อได้เปรียบของ Scribe v3 เป็นของจริงและมากกว่าที่คะแนนรวมแบบคอมโพสิตบ่งชี้

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.

ตัวเลขทั้งสองชุดเป็นการวัดของ Artificial Analysis บนชุดทดสอบร่วมเดียวกัน ซึ่งเป็นเหตุผลเดียวที่ทำให้การเปรียบเทียบนี้คุ้มค่าที่จะทำเลยทีเดียว เอกสารเปิดตัวของผู้จำหน่ายแต่ละรายไม่สามารถนำมาเปรียบเทียบกันได้: ElevenLabs รายงานการเพิ่มขึ้นแบบสัมพัทธ์ของ FLEURS 27% เมื่อเทียบกับ Scribe v2 บน 102 ภาษา ขณะที่ Microsoft รายงานค่าเฉลี่ย FLEURS 5.2% จาก 60 ภาษา และตัวเลขทั้งสองนี้คำนวณจากชุดภาษาที่ต่างกันด้วยวิธีหาค่าเฉลี่ยที่ต่างกัน บอร์ดจัดอันดับจากบุคคลที่สามเป็นสถานที่เดียวที่ทั้งสองโมเดลมาเจอกันบนเงื่อนไขที่เท่าเทียมกัน

4.4× คือตัวเลขที่เปลี่ยนสถาปัตยกรรม

อัตราการประมวลผลคือจุดที่โมเดลทั้งสองเริ่มไม่ดูเหมือนเป็นสิ่งทดแทนกันอีกต่อไป MAI-Transcribe-2 ทำงานด้วยตัวคูณความเร็วค่ามัธยฐานที่ 338.5 บนเบนช์ของ Artificial Analysis ส่วน Scribe v3 อยู่ที่ 76.8 ทั้งสองเร็วกว่าเวลาจริงมาก — Scribe v3 ประมวลผลเสียงหนึ่งชั่วโมงได้ในเวลาไม่ถึงหนึ่งนาที — ดังนั้นสำหรับงานแบตช์ข้ามคืนที่เติมย้อนหลังคลังพอดแคสต์ ความแตกต่างนี้จึงมองไม่เห็น แต่สำหรับงานใดก็ตามที่ต้องโต้ตอบกลับไม่เป็นเช่นนั้น

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.

ลองพิจารณาวอยซ์เอเจนต์ที่ต้องมีทรานสคริปต์ก่อนจึงจะตัดสินใจได้ว่าจะพูดอะไรต่อไป ที่ 76.8× เสียงหนึ่งชั่วโมงใช้เวลาคำนวณ 47 วินาที ซึ่งถือว่าโอเคเมื่อเสียงเป็นไฟล์บันทึกที่เสร็จสมบูรณ์แล้ว และไร้ประโยชน์เมื่อเสียงกำลังมาถึงแบบสด ซึ่งเป็นเหตุผลที่ ElevenLabs ขายโมเดลเรียลไทม์แยกต่างหากสำหรับงานนั้น แทนที่จะชี้ไปที่โมเดลแบบแบตช์ คำตอบของ Microsoft ก็เป็น SKU แบบสตรีมมิ่งแยกต่างหากเช่นกัน โมเดลแบบแบตช์ของผู้ขายทั้งสองรายไม่ใช่เครื่องมือที่เหมาะสมสำหรับเสียงสด ตัวเลข throughput มีความสำคัญในอีกกรณีหนึ่ง — พайплайнแบบอะซิงโครนัสปริมาณสูงที่คุณกำลังประมวลผลหลายพันชั่วโมงต่อวัน และคิว ไม่ใช่ผู้โทร กำลังรออยู่

ที่ 10,000 ชั่วโมงต่อเดือน 76.8× ต้องใช้พลังประมวลผลประมาณ 130 ชั่วโมง และ 338.5× ต้องใช้ประมาณ 30 ชั่วโมง นั่นคือความแตกต่างระหว่างคลัสเตอร์ที่คุณเช่าแบบรายชั่วโมงกับคลัสเตอร์ที่คุณแทบไม่ต้องใส่ใจ และยังเป็นความแตกต่างระหว่างงาน backfill ที่เสร็จภายในคืนเดียวกับงาน backfill ที่ต้องใช้เวลาทั้งสุดสัปดาห์

ราคา: ตัวคูณสอง พร้อมวันหมดอายุ

ในราคาตามรายการ ช่องว่างราคาชัดเจนกว่าช่องว่างด้านความแม่นยำ MAI-Transcribe-2 ราคา $0.10 ต่อชั่วโมงเสียง หรือ $1.67 ต่อ 1,000 นาที Scribe v3 ราคา $0.20 ต่อชั่วโมงเสียงหลังการปรับลดราคาของ ElevenLabs เมื่อวันที่ 17 พฤศจิกายน หรือ $3.33 ต่อ 1,000 นาที เป็นสองเท่าพอดีในทั้งสองจุด

อัตราของ Microsoft มีเงื่อนไขประกอบที่ต้องรวมไว้ในงบประมาณใด ๆ ที่อิงกับอัตรานี้: $0.10 ต่อชั่วโมงเป็นข้อเสนอแนะนำที่มีผลไปจนถึงสิ้นปี 2026 และ Microsoft ยังไม่ได้เผยแพร่อัตรามาตรฐานที่จะตามมา แผนปี 2027 ที่ยึดกับ $1.67 ต่อ 1,000 นาที คือแผนที่มีรายการหนึ่งซึ่งยังไม่ได้กำหนดราคา อัตราของ ElevenLabs เป็นราคาตามรายการปกติหลังการปรับลด ไม่ใช่โปรโมชัน ซึ่งทำให้เป็นตัวเลขที่ปกป้องได้มากกว่าสำหรับแบบจำลองหลายปี แม้ว่าปัจจุบันจะสูงกว่าก็ตาม

ค่าใช้จ่ายอีกสองรายการอยู่นอกเหนืออัตราที่ประกาศไว้ และทั้งคู่เอื้อประโยชน์ให้ ElevenLabs Keyterm prompting บน Scribe v3 คิดค่าบริการชั่วโมงละ $0.05 เพิ่มจากอัตราฐาน ส่วนการแก้ไขทรานสคริปต์อยู่ที่ $0.07 Microsoft รวม keyword biasing ไว้ในการเรียกถอดเสียง และอัตราต่อชั่วโมงของ ElevenLabs ครอบคลุมการแยกผู้พูด การตรวจจับเอนทิตี และการประทับเวลาเป็นรายคำในการประมวลผลครั้งเดียวกัน ในขณะที่ Microsoft คิดค่าบริการผ่านทรัพยากร Azure Speech ซึ่งบริการโดยรอบมีรายการค่าใช้จ่ายแยกของตนเอง ตัวคูณสองเท่าเป็นเรื่องจริง แต่เป็นเพียงพื้นล่างของช่องว่าง ไม่ใช่เพดาน

ฟีเจอร์ที่ทั้งคู่แตกต่างกันอย่างแท้จริง

• โหมดคำต่อคำ — MAI-Transcribe-2 มีโหมดนี้ โดยเป็นสวิตช์ระหว่างรูปแบบเอาต์พุตแบบคำต่อคำและแบบเรียบเรียง Scribe v3 ไม่มี ส่วน ElevenLabs ระบุไว้ในเอกสารว่าโมเดลนี้ "ไม่มีโหมดคำต่อคำ" สำหรับการบันทึกเพื่อการปฏิบัติตามข้อกำหนด การให้คะแนน QA และกรณีใดก็ตามที่การเริ่มพูดผิดถือเป็นหลักฐาน นั่นเป็นข้อกำหนดที่ขาดไม่ได้ และเป็นปัจจัยที่ตัดสินใจเลือกได้ด้วยตัวเอง

• ความกว้างของภาษา — Scribe v3 มีเอกสารระบุว่ารองรับ 90+ ภาษา; MAI-Transcribe-2 รองรับ 60 ภาษา พร้อมเผยแพร่ตารางการรองรับรายภาษา และเปิดการระบุภาษาอัตโนมัติเป็นค่าเริ่มต้น ElevenLabs มีรายชื่อภาษา แต่รายละเอียดความแม่นยำแยกตามภาษานั้นแคบกว่าขอบเขตที่อ้างว่ารองรับ

• การแยกผู้พูด (Diarization) — Scribe v3 รองรับผู้พูดได้สูงสุด 32 คน โดยผู้ขายอ้างว่ามีข้อผิดพลาดในการแยกผู้พูดน้อยกว่า v2 12% และน้อยลง 17% เมื่อมีผู้พูดตั้งแต่สามคนขึ้นไป MAI-Transcribe-2 มีการแยกผู้พูดเป็นพารามิเตอร์พร้อมเซกเมนต์ที่ระบุผู้พูด และ Microsoft ไม่เผยแพร่อัตราความผิดพลาดในการแยกผู้พูดเลย การที่ไม่ได้วัดไม่เหมือนกับการที่แย่ แต่ก็คือไม่ได้วัด

• คำศัพท์เฉพาะโดเมน — Scribe v3 รับคำสำคัญได้สูงสุด 1,000 คำต่อคำขอแบบแบตช์ ส่วน MAI-Transcribe-2 รับรายการวลีที่มีความยาวเท่าใดก็ได้เป็นคำใบ้สำหรับการรู้จำ โดยเอกสารระบุชัดว่าคำเหล่านั้นเป็นเพียงคำใบ้ ไม่ใช่ผลลัพธ์ที่ถูกบังคับให้ต้องปรากฏ

• รูปแบบการปรับใช้ — MAI-Transcribe-2 ทำงานผ่านปลายทางโหมด enhanced ของ Azure Speech ในภูมิภาคที่ระบุชื่อ โดยมีเส้นทาง REST และ SDK รวมถึงการผสานรวม Voice Live สำหรับการถอดเสียงจากอินพุต Scribe v3 เป็นการเปลี่ยนแปลง ID โมเดลบนการผสานรวม ElevenLabs ที่มีอยู่ โดยประมวลผลในสหรัฐฯ เป็นค่าเริ่มต้น และมีตัวเลือกถิ่นที่อยู่ข้อมูลใน EU อินเดีย และสิงคโปร์สำหรับแพลนองค์กร

• การปฏิบัติตามข้อกำหนด — ElevenLabs กำหนดให้ต้องมี Business Associate Agreement ที่ลงนามผ่านฝ่ายขายก่อนจึงจะทำงานด้าน HIPAA ได้ และเอกสารของบริษัทไม่ได้ระบุว่า Scribe v3 เองมีคุณสมบัติสอดคล้องกับ HIPAA โดยระบุเพียงว่าลูกค้าด้านสุขภาพต้องลงนามใน BAA ก่อนเท่านั้น ส่วนชุดผลิตภัณฑ์ Azure Speech ของ Microsoft มีขอบเขตการปฏิบัติตามข้อกำหนดระดับภูมิภาคและระดับองค์กรตามมาตรฐานทั่วไป โปรดอ่านทั้งสองอย่างอย่างละเอียดก่อนนำเสียงผู้ป่วยไปประมวลผลผ่านระบบใดระบบหนึ่ง

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.

รันทั้งสองโดยไม่ต้องมีสัญญาฉบับที่สอง

คำตอบที่สมจริงสำหรับทีมส่วนใหญ่ไม่ใช่ผู้ชนะเพียงรายเดียว แต่คือการแบ่งแยก: ใช้หนึ่งโมเดลกับคลังข้อมูลที่มันชนะ โดยจัดเส้นทางตามภาระงาน นี่คือกรณีที่ชั้นการจัดเส้นทางของ OrcaRouter ถูกสร้างขึ้นสำหรับส่วนที่อยู่ถัดขึ้นไปในไปป์ไลน์ — ทรานสคริปต์ถูกสรุป จำแนก และดำเนินการ และสิ่งเหล่านั้นคือการเรียกที่ทวีจำนวนขึ้น API เดียวครอบคลุมมากกว่า 200 โมเดล, ราคาตามรายการของผู้ให้บริการส่งผ่านโดยบวกเพิ่ม 0%, การสลับระบบสำรองอัตโนมัติ และ DSL สำหรับจัดเส้นทางที่สามารถส่งทรานสคริปต์การประชุมไปยังตัวสรุปตัวหนึ่ง และส่งทรานสคริปต์ด้านการปฏิบัติตามข้อกำหนดไปยังอีกตัวหนึ่งได้โดยไม่ต้องมีการเชื่อมต่อครั้งที่สอง ทั้ง Scribe v3 และ MAI-Transcribe-2 ไม่ได้อยู่ในรายชื่อของเรา — ทั้งคู่ให้บริการโดยผู้ขายของตนเอง — ดังนั้นการแบ่งแยกยังคงหมายถึงสัญญาด้านเสียงสองฉบับ สิ่งที่ยุบรวมลงคือทุกอย่างที่อยู่ปลายน้ำของทรานสคริปต์

หากคุณต้องการผู้ให้บริการรายเดียวจริง ๆ การตัดสินแบบตัดเชือกก็มีต้นทุนต่ำในการทำ: นำเสียงของคุณเองหนึ่งร้อยชั่วโมงมาให้ทั้งสองโมเดลให้คะแนนบนเสียงนั้น แล้วดูที่ชุดย่อยที่มีลักษณะแบบ Earnings-22 แทนที่จะดูค่าเฉลี่ย ช่องว่างคะแนนรวม 0.09 คะแนนนั้นเล็กกว่าความแตกต่างระหว่างคลังข้อมูลที่โมเดลใดโมเดลหนึ่งแสดงออกมา ซึ่งหมายความว่าลีดเดอร์บอร์ดที่เผยแพร่นั้นเป็นเพียงไพรเออร์ ไม่ใช่คำตอบ

ใครควรเลือกอันไหน

เลือก MAI-Transcribe-2 หากเสียงของคุณเป็นการสนทนา ปริมาณงานของคุณสูง ไปป์ไลน์ของคุณเป็นแบบอะซิงโครนัส และคุณต้องการผลลัพธ์แบบคำต่อคำ — และเตรียมงบรองรับอัตราค่าบริการที่จะเปลี่ยนแปลงในเดือนมกราคม เลือก Scribe v3 หากคุณต้องการความหลากหลายของภาษา จำนวนผู้พูดมาก มีคำรับรองเรื่องการแยกผู้พูดที่เผยแพร่แล้ว หรือราคาที่คุณใส่ในแบบจำลองสามปีได้โดยไม่มีเครื่องหมายดอกจันกำกับ เลือกทั้งสองแบบ โดยแบ่งตามชุดข้อมูล หากคุณมีความพร้อมด้านปฏิบัติการ — ความแตกต่างด้านความแม่นยำระหว่างทั้งสองมีน้อยพอที่การตัดสินใจจะขึ้นอยู่กับปริมาณงานที่รองรับ การรองรับแบบคำต่อคำ และราคาของใครที่คุณมั่นใจว่าจะยังมีอยู่ในปีหน้า

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube