Thẻ tiêu đề ghi 'Scribe v3 Live Medical vs MAI Transcribe 2 Streaming' với phụ đề 'chỉ một bên có giá'. Bên dưới là hai thẻ bo tròn cạnh nhau: thẻ bên trái có tiêu đề 'callable' liệt kê ID mô hình, mức giá theo giờ và bốn vùng Azure; thẻ bên phải có tiêu đề 'bundled' hiển thị một dòng ghi 'đã bao gồm trong giá ElevenAgents' với hàng ID mô hình bị làm xám.
Guides & Insights

Scribe v3 Live Medical so với MAI Transcribe 2 Streaming: Chỉ một bên có giá

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Đặt Scribe v3 Live Medical và MAI-Transcribe-2-Streaming cạnh nhau, điểm khác biệt đầu tiên không phải là độ chính xác, độ trễ hay số lượng ngôn ngữ. Mà là một trong hai là sản phẩm, còn cái kia là tính năng. MAI-Transcribe-2-Streaming có một chuỗi mô hình bạn truyền vào API, một mức giá được công bố, trạng thái preview, bốn vùng Azure được nêu tên và hai đường tích hợp được tài liệu hóa. Scribe v3 Live Medical có một menu thả xuống trong phần cài đặt của agent ElevenAgents, một cổng truy cập sớm và không có giá riêng vì nó được gộp vào một gói đăng ký. Microsoft đã tung ra một công cụ phiên âm; ElevenLabs đã tung ra một năng lực bên trong một nền tảng mà họ cũng bán.

Sự bất đối xứng đó khiến phần so sánh độ chính xác trở thành phần ít hữu ích nhất trên trang này, còn phần so sánh quy trình mua sắm lại là phần hữu ích nhất. Tuy vậy, những con số này vẫn đáng được nêu ra, bởi con số của Microsoft mới là bên đưa ra tuyên bố mạnh mẽ: tỷ lệ lỗi từ khi phát trực tuyến được công bố là 2,5% với 0,13 giây để có bản ghi cuối cùng, so với 12,8% của ElevenLabs trên các buổi tư vấn lâm sàng giả lập. Hai con số đó cách nhau gấp năm lần và gần như không mô tả điểm chung nào, đó chính xác là lý do vì sao cuộc đối chiếu này cần sự cẩn trọng thay vì một phán quyết.

Những gì Microsoft thực sự đã phát hành

MAI-Transcribe-2-Streaming là phiên bản đồng hành thời gian thực của MAI-Transcribe-2, mô hình xử lý theo lô nội bộ của Microsoft AI. Nó ra mắt ở dạng bản xem trước công khai vào ngày 1 tháng 10 năm 2026, khoảng một tháng sau bản phát hành theo lô, và được cung cấp qua bộ công nghệ giọng nói của Azure thay vì qua một điểm cuối AI riêng biệt. Có hai đường tích hợp được ghi nhận: một WebSocket tương thích OpenAI Realtime, và Azure Speech SDK, vốn xử lý việc quản lý kết nối, thử lại và truyền phát âm thanh thay bạn. Cả hai đều trả về kết quả trung gian được cập nhật tại chỗ và kết quả cuối cùng xác nhận từng phân đoạn.

Các tuyên bố mà Microsoft gắn với nó, được dán nhãn là tuyên bố của nhà cung cấp vì đúng là như vậy: đứng đầu về độ chính xác trên cả bản ghi cuối cùng và bản ghi một phần trong đánh giá streaming của Artificial Analysis, với tỷ lệ lỗi từ 2,5%, bản ghi cuối cùng sẵn sàng 0,13 giây sau khi kết thúc lời nói và 2,5% ở bản ghi một phần đầu tiên tại 0,12 giây. Điều đáng lưu ý quan trọng mà đợt ra mắt hàng loạt cũng có chung: trình theo dõi chưa vẽ mô hình này thành một hàng. Microsoft đang tuyên bố một kết quả dựa trên phương pháp của bên thứ ba, chứ không trích dẫn phép đo đã công bố của bên thứ ba. Người dẫn đầu streaming thực tế trên bảng xếp hạng tại thời điểm soạn thảo là Grok Voice Transcribe 2.0 với 2,73% và 0,49 giây.

Mọi thứ khác về nó đều bình thường và được tài liệu hóa đầy đủ: 60 ngôn ngữ với tính năng tự động phát hiện ngôn ngữ liên tục, chuyển mã cho các cặp ngôn ngữ pha trộn như Hinglish và Spanglish, các tuyên bố về khả năng chống nhiễu, và khả dụng tại Sweden Central, Central US, East US 2 và Southeast Asia. Tuyên bố miễn trừ trách nhiệm dành cho bản xem trước là ngôn từ chuẩn của Azure — không có thỏa thuận mức dịch vụ, không được khuyến nghị cho khối lượng công việc sản xuất.

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'.

ElevenLabs đã ra mắt những gì, và tại sao nó lại nằm ở một hạng mục khác biệt

Scribe v3 Live Medical nằm trong nhóm Scribe v3 ra mắt ngày 9 tháng 11 năm 2026, và là thành viên y tế thời gian thực của nhóm này. Tài liệu của ElevenLabs rất rõ ràng về ranh giới: nó chỉ có sẵn trong ElevenAgents, không có sẵn qua Speech to Text API, và nếu bạn muốn phiên âm y tế qua API thì nên dùng Scribe v2 Medical — mô hình theo lô, với giá $0.20 mỗi giờ, một sản phẩm thông thường có model ID.

Ba hệ quả sau đây, và chúng quan trọng hơn bất kỳ con số WER nào:

• Bạn không thể định giá riêng nó. Nó đã nằm trong mức giá tiêu chuẩn của ElevenAgents, vốn tính phí theo phút hội thoại và gộp ASR cùng với LLM, dịch vụ điện thoại, tổng hợp giọng nói và các lệnh gọi công cụ của tác nhân. Không có mức giá ASR tách riêng, nên không có con số nào để đưa vào bảng tính so sánh.

• Bạn không thể tự đánh giá hiệu năng của nó bên ngoài nền tảng. Con số duy nhất được công bố là lần chạy của chính ElevenLabs trên PriMock57 — 57 cuộc tư vấn chăm sóc ban đầu mô phỏng — nơi nó đạt 12,8% so với 15,5% của AssemblyAI Universal-3.6 Pro Realtime ở chế độ y tế, 16,3% của Speechmatics Oak-1, 17,0% của Deepgram Nova-3 Pharma và 17,2% của Nova-3 Medical.

• Bạn chưa thể gửi PHI đến nó. Tài liệu nói rõ ràng: không gửi thông tin sức khỏe được bảo vệ đến Scribe v3 Live Medical cho đến khi xác nhận đủ điều kiện HIPAA, và không có tính năng lưu trú dữ liệu EU trong giai đoạn truy cập sớm. Đó là một tuyên bố dứt khoát hơn so với dòng chung "đủ điều kiện HIPAA" trên trang tiếp thị, và đó là điều mà một cán bộ tuân thủ sẽ đọc.

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% so với 12.8% không phải là khoảng cách gấp năm lần.

Nó trông có vẻ giống như vậy. Nhưng không phải, vì ba lý do, và mỗi lý do là một dạng vấn đề đo lường khác nhau.

Các bộ dữ liệu là khác nhau. Bộ kiểm thử streaming của Artificial Analysis đo giọng nói tổng quát trên nhiều ngôn ngữ và điều kiện; PriMock57 gồm 57 buổi tư vấn bác sĩ đa khoa mô phỏng, trong đó hai người thảo luận về triệu chứng, đơn thuốc và kết quả xét nghiệm. Tư vấn lâm sàng khó hơn đối với mọi mô hình — biểu đồ của chính ElevenLabs cho thấy bốn công cụ thời gian thực cạnh tranh nhau tập trung trong khoảng 15,5% đến 17,2% trên bộ này, bao gồm hai mô hình được xây dựng riêng cho âm thanh y tế. Mức 12,8% trên bộ đó là một kết quả mạnh; mức 2,5% trên một bộ tổng quát là một thành tựu khác.

Các điều kiện là khác nhau. Con số của Microsoft là một tuyên bố dựa trên phương pháp luận của một bên thứ ba, chứ không phải một dòng dữ liệu mà bên thứ ba đó công bố. Con số của ElevenLabs là kết quả do một nhà cung cấp tự chạy trên một bộ dữ liệu công khai do chính nhà cung cấp đó chọn. Cả hai đều không phải là một phép đo mà bạn có thể đem ra đối chiếu cái này với cái kia mà không chạy cả hai trên cùng một đoạn âm thanh, và chưa ai làm điều đó.

Các nhiệm vụ khác nhau theo cách có ý nghĩa về mặt lâm sàng. Mô hình của Microsoft là một bộ phiên âm tổng quát có thiên lệch theo từ khóa và một trường hợp sử dụng ghi chú lâm sàng đã được ghi nhận; nó không được tinh chỉnh trên tên thuốc. Mô hình của ElevenLabs là một bản tinh chỉnh của Scribe v3 Live nhắm chính xác vào từ vựng đó. Trên một bảng đánh giá tổng quát sạch, mô hình tổng quát nên được kỳ vọng sẽ thắng. Với “he's on metformin 1000 twice a day, empagliflozin 10, and atorvastatin 40” — dòng mẫu trên trang y tế của ElevenLabs — bản tinh chỉnh là bên có lý do để tốt hơn, còn mô hình tổng quát là bên dựa vào danh sách cụm từ của nó.

Sự khác biệt về độ trễ mới là điều có thật.

0,13 giây của Microsoft để có bản ghi cuối cùng là con số mà đối thủ nên lo ngại, vì đó là kiểu con số mà một nền tảng có thể được xây dựng dựa trên đó. Dưới khoảng 0,2 giây, văn bản phụ đề được cảm nhận là đồng thời với lời nói; một phần ba giây được cảm nhận là bản ghi đang đuổi theo người nói. ElevenLabs không công bố độ trễ cho biến thể y tế, chỉ nói rằng nó tương đương Scribe v3 Live, mà so sánh trong cùng dòng cho thấy WER ngữ nghĩa thấp hơn 44% so với Scribe v2 Realtime — một mô hình mà ElevenLabs ghi nhận có thời gian trung vị đến bản ghi đã chốt vào khoảng 150 ms. Vậy cách hiểu hợp lý là cả hai đều nằm trong cùng vùng dưới một phần tư giây và sự khác biệt không thể nhận biết đối với một người đọc theo.

Chỗ mà sự khác biệt thực sự lộ ra là ở endpointing, và ở đây ElevenLabs có cách lý giải cụ thể hơn. Tính năng dự đoán lượt nói của hãng dùng ngữ cảnh hội thoại để quyết định liệu người gọi đã nói xong chưa, nhờ đó tác nhân sẽ chờ qua các khoảng dừng bên trong một mã thành viên hoặc ngày sinh thay vì trả lời ngay sau ba chữ số đầu tiên. Tương đương bên Microsoft là tính năng phát hiện kết thúc lượt nói nâng cao của Voice Live API, vốn là một thuộc tính của lớp tác nhân chứ không phải của bộ phiên âm. Cả hai đều giải quyết được vấn đề. Một bên giải quyết ngay trong sản phẩm ASR, bên kia giải quyết ở lớp cao hơn một tầng, và nếu bạn đang tự lắp ghép vòng lặp tác nhân của mình thì tầng nào đảm nhận việc đó rất quan trọng.

Chi phí, cạnh nhau, với các lỗ được đánh dấu

• Microsoft — 0,54 USD mỗi giờ âm thanh là mức giá giới thiệu của MAI-Transcribe-2-Streaming, không tiết lộ giá tiêu chuẩn; Microsoft đã từng áp dụng cấu trúc này trước đây, và mức giá ưu đãi sớm của mô hình batch được nêu rõ là có giới hạn thời gian.

• ElevenLabs — không có mức giá ASR nào cho Scribe v3 Live Medical. Các mức neo của dòng sản phẩm trên API là $0.22 mỗi giờ cho Scribe v3 Live và $0.08 mỗi giờ cho keyterm prompting thời gian thực, còn sản phẩm y tế trên API, Scribe v2 Medical, là $0.20 mỗi giờ trên endpoint batch.

• Ở quy mô lớn — 10.000 phút âm thanh được phát trực tuyến tốn khoảng 90 USD theo mức giá giới thiệu của Microsoft và không thể định lượng được theo cách tính giá nền tảng của ElevenLabs, nơi cùng 10.000 phút đó còn tính phí token LLM, dịch vụ điện thoại và giọng nói.

• Từ vựng tùy chỉnh — Danh sách cụm từ của Microsoft là một tham số yêu cầu không có phụ phí được công bố; ElevenLabs bao gồm tối đa 10.000 thuật ngữ tùy chỉnh mà không phát sinh thêm chi phí trong ElevenAgents, và tính phí $0,08 mỗi giờ cho các keyterm thời gian thực trên các mô hình API.

Cặp cuối cùng đó đáng để dừng lại, vì 10.000 thuật ngữ không phải là một con số tròn mang tính tiếp thị — nó xấp xỉ kích thước danh mục thuốc của một hệ thống y tế tầm trung cộng với danh sách nhà cung cấp dịch vụ của hệ thống đó. Nếu vấn đề từ vựng lâm sàng của bạn lớn, ngân sách thuật ngữ là một tính năng thực sự, và danh sách cụm từ của Microsoft, được ghi nhận là gợi ý chứ không phải đầu ra bắt buộc, là một cơ chế khác với những kiểu lỗi khác.

Lớp suy luận phù hợp ở đâu

Không mô hình nào trong hai mô hình này quyết định bất cứ điều gì. Một tác nhân giọng nói lâm sàng nhận bản ghi lời nói và làm gì đó với nó — kiểm tra một quy tắc chi trả, soạn ghi chú, quyết định có chuyển đến điều dưỡng hay không — và bước đó là một lệnh gọi mô hình riêng với ngân sách độ trễ riêng. Trong một pipeline thời gian thực, thời gian đến token đầu tiên của mô hình lập luận thường đóng góp nhiều hơn vào độ trễ cảm nhận so với 0,13 hoặc 0,15 giây của bộ phiên âm.

Chặng đó chính là nơi một router khẳng định được giá trị của mình. OrcaRouter phục vụ 215 mô hình sau một API tương thích OpenAI với mức phụ thu 0%, giá niêm yết của nhà cung cấp được chuyển nguyên vẹn, cùng với tự động chuyển đổi dự phòng giữa các nhà cung cấp — nhờ vậy, mô hình đang suy luận trên một bản ghi có thể được hoán đổi sang một mô hình nhanh hơn, hoặc được chuyển dự phòng ngay giữa cuộc gọi, mà không cần động đến tích hợp Azure hay ElevenLabs. Chúng tôi không cung cấp Scribe v3 Live Medical hay MAI-Transcribe-2-Streaming; chặng phiên âm vẫn giữ nguyên ở nơi bạn đã mua.

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.

Phán quyết, được nêu dưới dạng một quyết định thu mua

Chọn MAI-Transcribe-2-Streaming nếu bạn cần một dịch vụ phiên âm có thể gọi, định giá và đưa vào bảng giá. Đây là lựa chọn duy nhất trong hai là mô hình chứ không phải tính năng nền tảng, được tài liệu hóa chi tiết đến từng khu vực và SDK, và cặp độ chính xác-độ trễ được công bố của nó là vị thế mạnh nhất được công bố trong ASR streaming hiện nay — với lưu ý rằng tuyên bố này là của Microsoft và ban đánh giá chưa vẽ nó lên biểu đồ. Hãy xây dựng dựa trên bản xem trước với sự thận trọng thông thường: không có SLA, và giá giới thiệu sẽ thay đổi.

Chọn Scribe v3 Live Medical nếu bạn đang mua một agent chứ không phải một công cụ phiên âm — nếu hệ thống điện thoại, cơ chế luân phiên lượt nói, giọng nói và guardrails đều sẽ là của ElevenLabs, thì một bản tinh chỉnh lâm sàng trong stack đó đáng giá hơn một WER tổng quát tốt hơn mà bạn phải tự tích hợp. Hãy thử nó trên bản ghi âm của chính bạn trước, và đừng đưa PHI qua đó cho đến khi tài liệu ngừng cảnh báo bạn không được làm vậy.

Nếu bạn thực sự chưa quyết định, yếu tố phá thế hòa không nằm trên trang của bên cung cấp nào: hãy chạy hai mươi cuộc gọi của chính bạn qua cả hai, đếm các lỗi có thể đã làm thay đổi một quyết định lâm sàng thay vì tổng số lỗi, rồi so sánh số đếm đó với chi phí mỗi tháng của từng phương án, bao gồm cả những phần mà nếu không thì bạn sẽ phải tự xây dựng. Trong phép thử đó, cả 2.5% và 12.8% đều sẽ sai, và thứ hạng có thể đảo ngược.