标题卡上写着“Scribe v3 Live Medical vs MAI Transcribe 2 Streaming”,副标题为“只有一个有价格”。下方并排两张圆角卡片:左侧卡片标题为“可调用”,列出模型 ID、每小时费率和四个 Azure 区域;右侧卡片标题为“捆绑”,显示一行文字“已包含在 ElevenAgents 定价中”,其中模型 ID 行置灰。
Guides & Insights

Scribe v3 Live Medical vs MAI Transcribe 2 Streaming:只有一款有价格

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

把 Scribe v3 Live Medical 和 MAI-Transcribe-2-Streaming 放在一起比较,第一个差异并不是准确率、延迟或支持语言数量,而是其中一个是产品,另一个是功能。MAI-Transcribe-2-Streaming 有一个可传给 API 的模型字符串、公开定价、预览状态、四个指定的 Azure 区域,以及两条有文档记录的集成路径。Scribe v3 Live Medical 则是 ElevenAgents 智能体设置里的一个下拉选项,设有早期访问门槛,而且没有独立价格,因为它被并入订阅中。Microsoft 交付的是一个转写器;ElevenLabs 交付的是其同时销售的平台内的一项能力。

这种不对称使准确率对比成为本页最没用的部分,而采购对比则成为最有用的部分。不过,这些数字仍值得说明,因为微软的数字更激进:其宣称流式词错误率为 2.5%,最终转录文本延迟为 0.13 秒;而 ElevenLabs 在临床模拟问诊中的词错误率为 12.8%。这两个数字相差五倍,描述的却几乎不是同一回事,正因如此,这一对比需要谨慎对待,而不是下定论。

微软实际发布的产品

MAI-Transcribe-2-Streaming 是 MAI-Transcribe-2 的实时配套版本,后者是 Microsoft AI 内部的批处理模型。它于 2026 年 10 月 1 日以公开预览版推出,大约在批处理版本发布一个月后,并且通过 Azure 的语音技术栈提供,而不是通过单独的 AI 终结点提供。目前有两种有文档记录的集成路径:一种是与 OpenAI Realtime 兼容的 WebSocket,另一种是 Azure Speech SDK,后者会为你处理连接管理、重试和音频流传输。两者都会返回就地更新的中间结果,以及确认每个分段的最终结果。

Microsoft 为其附加的这些说法被标注为供应商声明,因为它们确实如此:在 Artificial Analysis 的流式评测中,最终转录和部分转录的准确率均排名第一——词错误率为 2.5%,最终转录在语音结束后 0.13 秒即可就绪,首个部分转录在 0.12 秒时达到 2.5%。一个重要的注意事项是(批量发布时也提到过):该追踪器尚未将此模型作为一行绘制出来。Microsoft 是在依据第三方的方法论声称一项结果,而不是引用第三方已发布的测量数据。在撰写本文时,该榜单实际的流式领先者是 Grok Voice Transcribe 2.0,词错误率为 2.73%,用时 0.49 秒。

除此之外,其他方面都很普通,而且有完善的文档记录:支持 60 种语言并具备自动持续语言检测,针对 Hinglish 和 Spanglish 等混合语言对支持语码转换,声称具备噪声鲁棒性,并可在瑞典中部、美国中部、美国东部 2 和东南亚使用。预览版免责声明是标准的 Azure 措辞——无服务级别协议,不建议用于生产工作负载。

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 发布了什么,以及它为何自成一类

Scribe v3 Live Medical 属于 2026 年 11 月 9 日推出的 Scribe v3 系列,并且是该系列中的医疗实时成员。ElevenLabs 的文档对边界说得很明确:它仅在 ElevenAgents 中可用,无法通过 Speech to Text API 使用;如果你想通过 API 进行医疗转录,应使用 Scribe v2 Medical——批处理模型,每小时 0.20 美元,这是一个有模型 ID 的正常产品。

随之而来的是三个后果,它们比任何 WER 数值都更重要:

• 你无法单独为其定价。它已包含在标准的 ElevenAgents 定价中,该定价按对话分钟计费,并将 ASR 与智能体的 LLM、电话通信、语音合成和工具调用捆绑在一起。不存在可单独拆分的 ASR 费率,因此没有可填入对比表格的数字。

• 你无法在平台外自行对其进行基准测试。唯一公布的数据是 ElevenLabs 自己在 PriMock57(57 次模拟初级保健问诊)上的运行结果:其得分为 12.8%,相比之下,AssemblyAI Universal-3.6 Pro Realtime 在医疗模式下为 15.5%,Speechmatics Oak-1 为 16.3%,Deepgram Nova-3 Pharma 为 17.0%,Nova-3 Medical 为 17.2%。

• 你尚不能向它发送 PHI。文档明确写道:在确认 HIPAA 资格之前,请勿向 Scribe v3 Live Medical 发送受保护的健康信息,并且在早期访问期间不提供 EU 数据驻留。这比营销页面上笼统的“符合 HIPAA 资格”表述更为明确,而且这才是合规官会读到的那一句。

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% 对 12.8% 并不是五倍的差距

它看起来像是其中一个。其实并非如此,原因有三,而且每一个都是不同类型的测量问题。

这些语料库不同。Artificial Analysis 的流式测试工具衡量的是跨多种语言和条件下的通用语音;PriMock57 是 57 段模拟全科医生问诊,其中两人讨论症状、处方和检测结果。临床问诊对每个模型都更难——ElevenLabs 自己的图表显示,四个相互竞争的实时引擎在该数据集上的结果集中在 15.5% 到 17.2% 之间,其中包括两个专为医疗音频构建的模型。在该数据集上取得 12.8% 是一个强劲的结果;在通用数据集上取得 2.5% 则是另一项不同的成就。

条件不同。Microsoft 的数字是基于第三方方法论的一种主张,而不是该第三方公布的一行结果。ElevenLabs 的数字则是厂商在厂商自行选择的公开数据集上做的一次运行结果。若不把两者都跑在同一段音频上,它们都不是可以拿来相互对照的测量结果,而没有人这样做过。

这些任务存在差异,而这种差异在临床上有重要意义。Microsoft 的模型是一个带关键词偏置的通用转写器,并且有已记录的临床笔记用例;它并未针对药物名称进行微调。ElevenLabs 的模型是 Scribe v3 Live 的微调版本,正是面向那套词汇。在干净的通用基准上,通用模型理应更被看好胜出。对于 {{1}}他在服用 metformin 1000,每日两次;empagliflozin 10;以及 atorvastatin 40{{/1}}——ElevenLabs 医疗页面上的那条示例句子——微调模型才是有理由表现更好的那个,而通用模型则是依赖其短语列表的那个。

延迟差异才是真实存在的那个。

微软从开始到生成最终转写稿只需 0.13 秒,这个数字才应让竞争对手感到担忧,因为这是平台可以建立在其上的那类数字。大约低于 0.2 秒时,字幕文本读起来会与语音同步;三分之一秒则会显得转写文本在追赶说话者。ElevenLabs 没有公布医疗版本的延迟,只表示它与 Scribe v3 Live 相当,而后者的同系列比较是语义 WER 比 Scribe v2 Realtime 低 44%——ElevenLabs 记录该模型最终确定转写稿的中位时间约为 150 毫秒。因此,合理的解读是:两者都处在同一个低于四分之一秒的区间内,而这一差异对于跟着阅读的人来说无法感知。

差异真正体现出来的地方是端点检测,而在这方面,ElevenLabs 的说法更具体。它的轮次预测会利用对话上下文来判断来电者是否已经说完,因此智能体会等待会员 ID 或出生日期中的停顿结束,而不是在前三位数字后就作出回应。微软的对应方案是 Voice Live API 的高级话轮结束检测,这是智能体层而非转录器的特性。两者都能解决这个问题。一个在 ASR 产品内部解决,另一个在上一层解决,而如果你正在搭建自己的智能体循环,这一层就很重要。

成本,并排展示,并标出孔洞

• Microsoft — 每音频小时 0.54 美元是 MAI-Transcribe-2-Streaming 的引入价,未披露标准价格;微软以前采用过这种定价结构,而且该批处理模型的早鸟定价明确是有时限的。

• ElevenLabs — Scribe v3 Live Medical 不存在 ASR 费率。该系列在 API 上的基准价格为:Scribe v3 Live 每小时 $0.22,实时关键术语提示每小时 $0.08;而 API 医疗产品 Scribe v2 Medical 在批处理端点上为每小时 $0.20。

• 规模化时——10,000 分钟的流式音频按微软的入门费率大约为 90 美元,而在 ElevenLabs 的平台定价下则无法量化,因为同样的 10,000 分钟还会对 LLM token、电话通信和语音计费。

• 自定义词汇 — Microsoft 的短语列表是一个请求参数,没有公布任何附加费用;ElevenLabs 在 ElevenAgents 中免费提供最多 10,000 个自定义术语,并对 API 模型上的实时关键词按每小时 $0.08 收费。

最后那组值得停下来想想,因为 10,000 个术语可不是营销话术里的凑整数字——它大致相当于一个中型医疗系统的处方集加上其提供者名册的规模。如果你的临床词汇问题很大,术语额度就是一项实实在在的功能;而 Microsoft 的短语列表被记录为提示而非强制输出,是一种机制不同、失效模式也不同的做法。

推理层适合放在哪里

这两个模型都不做任何决定。临床语音代理会获取转录文本并据此执行操作——检查承保规则、起草记录、决定是否转接给护士——而这一步是单独的模型调用,有其自身的延迟预算。在实时流水线中,推理模型的首次令牌时间往往比转录器的 0.13 秒或 0.15 秒更能影响感知到的延迟。

这一环正是路由服务发挥价值的地方。OrcaRouter 在同一个兼容 OpenAI 的 API 背后,以 0% 加价提供 215 个模型,提供商列表价原样透传,并具备跨提供商的自动故障转移——因此,负责对转录文本进行推理的模型可以换成更快的模型,也可以在调用中途进行故障转移,而无需改动 Azure 或 ElevenLabs 集成。我们不提供 Scribe v3 Live Medical 或 MAI-Transcribe-2-Streaming;转录这一环仍保留在您购买它的地方。

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.

裁决,以采购决策的形式表述

如果你需要一个可以调用、可以定价并放入价目表的转写器,就选择 MAI-Transcribe-2-Streaming。它是两者中唯一一个属于模型而非平台功能的产品;其文档细致到区域和 SDK 层面;而且它宣称的准确率-延迟组合是当前流式 ASR 已公布的最强定位——但需注意,这一说法来自微软,排行榜尚未把它绘制出来。在预览版基础上构建时请照例保持谨慎:没有 SLA,且尝鲜价会变动。

如果你要买的是一个智能体,而不是一个转写器,那就选择 Scribe v3 Live Medical——如果电话系统、对话轮次切换、语音和护栏反正都要用 ElevenLabs 的,那么在这个技术栈内进行临床微调,比一个你还得自己集成的、通用 WER 更好的方案更有价值。先在你自己的录音上测试它,并且在文档不再警告你不要这样做之前,不要将 PHI 输入其中。

如果你确实拿不定主意,决胜点不在任何一家供应商的网站上:用你自己的二十通电话分别跑一遍两家系统,统计那些本会改变临床决策的错误,而不是统计总体错误数,再把这一数量与每个选项每月让你付出的成本进行比较,包括你原本不得不自行搭建的部分。按这个测试,2.5% 和 12.8% 都会是错的,排名也很可能会翻转。