
Scribe v3 与 MAI Transcribe 2:0.09 分与 4.4 倍速度差距
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 186 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 358 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 139 tok/s
- orca新Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
把 ElevenLabs Scribe v3 和 MAI-Transcribe-2 放进同一套测试框架,它们在词错误率上只差 0.09 个百分点——在 Artificial Analysis 的非流式 AA-WER Index 上分别是 1.95% 和 2.04%。把它们放到同一个吞吐量基准测试上,其中一者处理完同样一小时的音频,实际耗时大约只有另一者的四分之一。这两个事实指向相反的方向,而你该跟随哪一个,取决于大多数转写对比从不追问的一个问题:你的瓶颈究竟是字词,还是时钟。Scribe v3 是更准确的那个模型,但这个优势的幅度在生产环境中你很难测出来。MAI-Transcribe-2 速度是它的 4.4 倍,价格却只有一半。本页要讲的,就是这两者之中你究竟该为哪一个掏钱。
从与你的音频相似的语料库开始
0.09 分的综合差距是一个平均值,而平均值掩盖了一次反转。在 Artificial Analysis 的 Earnings-22 语料库上——即兴的、带口音的、多说话人的电话音频,是榜单上最接近真实销售电话的东西——MAI-Transcribe-2 得分为 2.99%,Scribe v3 得分为 3.34%。微软在该语料库上以 0.35 分的优势胜出,是综合差距的四倍,且方向相反。在核心朗读语音集上,Scribe v3 以 1.47% 对 1.83% 获胜。在 VoxPopuli(议会语音)上,则是 1.52% 对 1.50%——在噪声范围内不分伯仲。
所以,“Scribe v3 更准确”是一个关于平均值的说法,而只有当你的音频是有声书、议会和电话会议的平均混合时,这个平均值才有意义。联络中心和语音代理工作负载并非如此;它们呈 Earnings-22 形态,而在该语料库上,排名会反转。播客和媒体存档工作负载呈朗读语音形态,而在这些负载上,Scribe v3 的优势是真实存在的,并且比综合结果所显示的更大。

两组数字都是 Artificial Analysis 在共享测试框架上的测量结果,这也是该比较之所以值得进行的唯一原因。两家厂商各自的发布材料彼此不可比:ElevenLabs 报告在 102 种语言上相较 Scribe v2 取得 27% 的相对 FLEURS 提升,Microsoft 报告在 60 种语言上的 FLEURS 平均值为 5.2%,而这两个数字是在不同语言集上以不同平均方式计算出来的。第三方榜单是这两个模型唯一在同等条件下同台比较的地方。
4.4× 是那个改变架构的数字
吞吐量正是这两个模型不再显得可以互相替代的地方。MAI-Transcribe-2 在 Artificial Analysis 的基准测试中位速度倍率为 338.5;Scribe v3 为 76.8。两者都远快于实时——Scribe v3 不到一分钟就能处理完一小时的音频——因此,对于回填播客档案的夜间批处理任务来说,这种差异不可见。对于任何交互式场景则不然。

考虑一个语音智能体:它需要先拿到转录文本,才能决定接下来说什么。在 76.8× 的情况下,一小时的音频需要 47 秒的计算时间。当音频是已完成的录音时,这没问题;但当音频是实时到达时,这就毫无用处——这就是为什么 ElevenLabs 为这项工作单独销售实时模型,而不是指向批处理模型。微软的答案同样是一个单独的流式 SKU。两家厂商的批处理模型都不适合实时音频;吞吐量数字适用于另一种场景——高并发的异步流水线,你每天要处理数千小时,等待的是队列,而不是呼叫方。
按每月 10,000 小时计算,76.8× 需要约 130 小时的计算量,而 338.5× 需要约 30 小时。这就是按小时租用的集群与几乎察觉不到的集群之间的差别。这也是一个通宵就能完成的回填与一个要整个周末才能完成的回填之间的差别。
价格:两倍之差,且带有有效期
就标价而言,价格差距比准确率差距更一目了然。MAI-Transcribe-2 为每音频小时 0.10 美元,即每 1,000 分钟 1.67 美元。Scribe v3 在 ElevenLabs 于 11 月 17 日降价后为每音频小时 0.20 美元,即每 1,000 分钟 3.33 美元。无论按哪种计价,都恰好是两倍。
微软的费率附带一个限定条件,而任何以此为基础的预算都应将其纳入考量:每小时 0.10 美元是持续到 2026 年底的 introductory offer( introductory offer),而微软尚未公布此后适用的标准费率。一个按每 1,000 分钟 1.67 美元锁定的 2027 年方案,其中就有一行尚未定价的成本。ElevenLabs 的费率则是降价后的标准挂牌价,而非促销价,因此尽管它目前是两者中较高的数字,对于多年期模型而言却是更站得住脚的取值。
另外两项成本不在标价之内,而这两项都对 ElevenLabs 有利。Scribe v3 上的关键术语提示(Keyterm prompting)在基础费率之上按每小时 0.05 美元计费;转录编辑为 0.07 美元。微软则将关键词偏置打包进转录调用中。而 ElevenLabs 的每小时费率在同一次处理中即涵盖说话人分离、实体检测和词级时间戳,微软则通过 Azure Speech 资源计量,其周边服务各有独立的计费项。两倍的倍数确实存在,但它是这一差距的下限,而非上限。
它们真正产生分歧的特性
• 逐字模式——MAI-Transcribe-2 具备此功能,可在逐字输出与净化输出两种风格之间切换。Scribe v3 则没有;ElevenLabs 的文档明确说明该模型“没有逐字模式”。对于合规录音、QA 评分,以及任何需要将口误起始(false start)作为证据的场景,这是一项硬性要求,仅凭这一点就足以决定选型。
• 语言覆盖广度——Scribe v3 的文档标注支持 90 多种语言;MAI-Transcribe-2 为 60 种,并发布了逐语言支持表,且默认开启自动语言识别。ElevenLabs 虽列出了语言名称,但其准确率细分的范围比其宣称的覆盖范围更窄。
• 说话人分离——Scribe v3 最多支持 32 位说话人,厂商声称其说话人分离错误比 v2 少 12%,在三位或更多说话人时少 17%。MAI-Transcribe-2 将说话人分离作为参数提供,并给出带说话人标签的分段,而微软完全没有公布说话人分离错误率。未被测量不等于差,但它就是未被测量。
• 领域词汇——Scribe v3 每个批处理请求最多支持 1,000 个关键术语。MAI-Transcribe-2 接受任意长度的短语列表作为识别提示,文档明确指出这些术语只是提示,而非强制输出。
• 部署形态 — MAI-Transcribe-2 通过 Azure Speech 的增强模式终结点在指定区域运行,提供 REST 和 SDK 路径,并集成 Voice Live 用于输入转录。Scribe v3 是现有 ElevenLabs 集成上的模型 ID 变更,默认在美国处理,企业版计划提供欧盟、印度和新加坡的数据驻留选项。
• 合规 — ElevenLabs 要求在进行 HIPAA 相关工作前,先通过销售团队签署商业伙伴协议(BAA);其文档并未说明 Scribe v3 本身符合 HIPAA 资格,只说明医疗健康客户必须先签署 BAA。Microsoft 的 Azure Speech 技术栈具备常见的区域和企业级合规能力。在将患者音频交给任一服务处理之前,请仔细阅读两者的相关说明。

同时运行两者,无需第二份合同
对大多数团队来说,现实的答案不是某个模型通吃,而是拆分:在语料上表现更好的那个模型用于该语料,并按工作负载路由。这正是 OrcaRouter 的路由层在流水线更上游环节存在的原因——转录文本会被摘要、分类并触发操作,而这些调用会成倍增加。一个 API 覆盖 200+ 个模型,供应商列表价按 0% 加价透传,自动故障转移,以及一个路由 DSL,可以把会议转录发给一个摘要器,把合规转录发给另一个摘要器,而无需第二次集成。Scribe v3 和 MAI-Transcribe-2 都不在我们的名册中——两者均由各自的供应商提供——所以这种拆分仍然意味着两份语音合同。被简化掉的是转录之后的一切。
如果你确实想要单一供应商,那么决胜办法执行起来成本很低:取你自己的一百小时音频,让两个模型都在上面评分,然后看呈 Earnings-22 形态的子集,而不是看平均值。0.09 分的综合差距小于任一模型在不同语料之间表现出的差异,这意味着已公布的排行榜是先验,而不是答案。
谁应该选哪个
如果您的音频是对话式的、音量很高、流水线是异步的,并且需要逐字输出,就选 MAI-Transcribe-2——并为一月份费率变化预留预算。如果您需要广泛的语言覆盖、大量说话人、公开的说话人分离声明,或者一个可以毫无附加条件地放进三年模型的价格,就选 Scribe v3。如果您的运营承受意愿足够,就两者都选,按语料库拆分——它们之间的准确率差异小到,真正决定选择的是吞吐量、逐字支持,以及您相信谁的定价明年仍然存在。
