
Scribe v3 Live Medical 對比 MAI Transcribe 2 Streaming:只有一個有定價
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 88 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百萬 tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
把 {{1}}Scribe v3 Live Medical{{/1}} 和 {{2}}MAI-Transcribe-2-Streaming{{/2}} 並排比較,第一個差異不是準確度、延遲或語言數量,而是其中一個是產品,另一個是功能。{{3}}MAI-Transcribe-2-Streaming{{/3}} 有可傳給 API 的模型字串、公開費率、預覽狀態、四個具名的 Azure 區域,以及兩條有文件記載的整合路徑。{{4}}Scribe v3 Live Medical{{/4}} 則有 ElevenAgents 代理程式設定中的下拉選單、搶先體驗門檻,而且沒有自己的價格,因為它已併入訂閱方案。微軟推出的是轉錄器;ElevenLabs 推出的則是其同時販售的平台內的一項能力。
這種不對稱讓準確度比較成為本頁最不實用的部分,而採購比較則是最實用的部分。儘管如此,這些數字仍值得說明,因為微軟的數字才是較激進的一方:其宣稱串流詞錯誤率為 2.5%,且能在 0.13 秒內產生最終轉錄稿,對比 ElevenLabs 在臨床模擬諮詢上的 12.8%。這兩個數字相差五倍,描述的卻幾乎不是同一回事,這正是為什麼這組對比需要謹慎看待,而非直接下結論。
微軟實際發布的內容
MAI-Transcribe-2-Streaming 是 MAI-Transcribe-2 的即時串流版本,而後者是 Microsoft AI 內部自研的批次模型。它於 2026 年 10 月 1 日以公開預覽形式推出,時間約在批次版本發布一個月後;並且它是透過 Azure 的語音技術堆疊提供,而非透過獨立的 AI 端點。目前有兩種已記錄的整合方式:一種是相容於 OpenAI Realtime 的 WebSocket;另一種是 Azure Speech SDK,它會替你處理連線管理、重試與音訊串流。兩者都會傳回會就地更新的中間結果,以及確認每個區段的最終結果。
微軟對其附加的主張,標示為廠商主張,因為它們確實如此:在 Artificial Analysis 的串流評估中,最終與部分轉錄稿的準確度均排名第一,字錯誤率為 2.5%,最終轉錄稿在語音結束後 0.13 秒準備就緒,而首個部分轉錄稿在 0.12 秒時達到 2.5%。這項重要的但書,批次發布時也同樣存在:該追蹤器並未將此模型列為一列繪入圖表。微軟是依據第三方的方法論聲稱一項結果,而非引用第三方已公布的測量值。在起草時,排行榜上實際的串流龍頭是 Grok Voice Transcribe 2.0,為 2.73% 與 0.49 秒。
其他部分都很普通,而且有完善的文件記載:支援 60 種語言並具備自動連續語言偵測、針對 Hinglish 和 Spanglish 等混合語言對提供語碼轉換、抗噪性宣稱,以及在瑞典中部、美國中部、美國東部 2 與東南亞提供可用性。預覽版免責聲明是標準 Azure 措辭——不提供服務等級協定,不建議用於生產工作負載。

ElevenLabs 發布了什麼,以及它為何屬於不同的類別
Scribe v3 Live Medical 屬於 2026 年 11 月 9 日推出的 Scribe v3 系列,並且是該系列中的醫療即時成員。ElevenLabs 的文件對這條界線說得很明確:它僅能在 ElevenAgents 中使用,無法透過 Speech to Text API 使用;如果你要透過 API 進行醫療轉錄,應該使用 Scribe v2 Medical——批次處理模型,每小時 $0.20,這是一般產品,並具有模型 ID。
由此可得出三個後果,而這些後果比任何 WER 數值都更重要:
• 你無法單獨為它定價。它已包含在標準 ElevenAgents 定價中,該定價按對話分鐘計費,並將 ASR 與代理的 LLM、電信、語音合成及工具呼叫一併打包。沒有可拆分的 ASR 費率,因此沒有數字可以放進比較試算表。
• 你無法在平台之外自行對它進行基準測試。目前唯一公開的數據,是 ElevenLabs 自己在 PriMock57 上的測試結果——該資料集包含 57 段模擬基層醫療諮詢——其得分為 12.8%,而 AssemblyAI Universal-3.6 Pro Realtime 在醫療模式下為 15.5%,Speechmatics Oak-1 為 16.3%,Deepgram Nova-3 Pharma 為 17.0%,Nova-3 Medical 為 17.2%。
• 您目前還不能傳送 PHI。文件寫得很清楚:在確認符合 HIPAA 資格之前,請勿將受保護的健康資訊傳送至 Scribe v3 Live Medical,而且在早期存取階段不提供歐盟資料駐留。這樣的表述比行銷頁面上籠統的「符合 HIPAA 資格」說法更為明確,而合規主管會採信的正是前者。

2.5% 對比 12.8% 並不是五倍的差距
它看起來像一個。其實不是,原因有三,而且每一項都是不同種類的測量問題。
這些語料庫並不相同。Artificial Analysis 的串流測試框架衡量的是橫跨多種語言與條件的一般語音;PriMock57 則是 57 場模擬全科醫師問診,由兩人討論症狀、處方與檢驗結果。對每個模型而言,臨床問診都更困難——ElevenLabs 自家的圖表顯示,四款相互競爭的即時引擎在該資料集上的表現集中在 15.5% 到 17.2% 之間,其中包括兩款專為醫療音訊打造的模型。在該資料集上達到 12.8% 是強勁的結果;在一般資料集上達到 2.5% 則是另一種成就。
兩者的條件並不相同。微軟的數字是依據第三方方法論所宣稱的結果,而不是該第三方所公布的某一列數據。ElevenLabs 的數字則是廠商自己在廠商自行挑選的公開資料集上跑出來的結果。除非把兩者都跑在同一段音訊上,否則這兩個數字都不能拿來相互對照,而至今沒有人這麼做過。
這些任務的差異在臨床上是有意義的。Microsoft 的模型是具備關鍵字偏置、並有文件記載臨床病歷使用案例的通用轉錄器;它並未針對藥物名稱進行微調。ElevenLabs 的模型則是 Scribe v3 Live 的微調版本,專門針對這套詞彙。在乾淨的一般測試集上,理應預期通用模型勝出。至於「he's on metformin 1000 twice a day, empagliflozin 10, and atorvastatin 40」——ElevenLabs 醫療頁面上的範例句——有理由表現更好的是微調模型,而通用模型則是仰賴其詞組清單的一方。
延遲差異才是真正存在的
Microsoft 用 0.13 秒產生最終轉錄稿,這正是應該讓競爭對手擔憂的數字,因為這是平台可以據以建構的那種數字。低於約 0.2 秒時,字幕文字讀起來會與語音同步;三分之一秒則會讀成轉錄稿在追趕講者。ElevenLabs 並未公布醫療版本的延遲數據,只表示它與 Scribe v3 Live 相符;而 Scribe v3 Live 所屬系列的比較結果是,語意 WER 比 Scribe v2 Realtime 低 44%——ElevenLabs 記載該模型的中位定稿轉錄時間約為 150 毫秒。因此合理的解讀是,兩者都落在低於四分之一秒的相同區間內,而對於跟著閱讀的人來說,差異並不可感知。
差異真正顯現的地方在於端點偵測,而在這方面 ElevenLabs 的說法更具體。它的輪次預測會利用對話上下文來判斷來電者是否已經說完,因此語音代理會耐心度過會員 ID 或出生日期中间的停頓,而不是在第一串三位數字後就回應。Microsoft 的對應做法是 Voice Live API 的進階輪次結束偵測,這是代理層的屬性,而非轉寫器的屬性。兩者都能解決這個問題。一個是在 ASR 產品內部解決,另一個則是在上一層解決;如果你要自行組裝代理迴圈,這個層級差異就很重要。
成本,並排,並標示孔洞
• Microsoft — 每音訊小時 0.54 美元是 MAI-Transcribe-2-Streaming 的導入期費率,未公布標準價格;Microsoft 過去曾採用這種定價結構,而批次模型的早鳥定價明確設有時限。
• ElevenLabs — Scribe v3 Live Medical 沒有 ASR 費率。此系列在 API 上的基準價格為 Scribe v3 Live 每小時 $0.22,以及即時關鍵詞提示每小時 $0.08;而 API 醫療產品 Scribe v2 Medical 在批次端點上為每小時 $0.20。
• 規模化之後——10,000 分鐘的串流音訊,按 Microsoft 的入門優惠費率計算約為 90 美元,而在 ElevenLabs 的平台定價上則難以量化,因為同樣的一萬分鐘還會一併計收 LLM token、電話與語音費用。
• 自訂詞彙 — Microsoft 的片語清單是請求參數,沒有公布附加費用;ElevenLabs 在 ElevenAgents 中免費包含最多 10,000 個自訂詞彙,並針對 API 模型上的即時關鍵詞彙每小時收費 $0.08。
最後那組值得停下來想一想,因為 10,000 個詞彙並不是行銷上的湊整數字——它大約等於一個中型醫療系統的處方集加上其醫療服務提供者名冊的規模。如果你的臨床詞彙問題很大,詞彙額度就是實實在在的功能;而 Microsoft 的片語清單(文件記載為提示而非強制輸出)則是另一種機制,有不同的失效模式。
推理層的定位
這兩個模型本身都不做任何決定。臨床語音代理會取得轉錄稿並加以處理——檢查給付規則、草擬紀錄、判斷是否轉接給護理師——而這個步驟是另一次獨立的模型呼叫,有它自己的延遲預算。在即時管線中,相較於轉錄器的 0.13 或 0.15 秒,推理模型的首個 token 產生時間往往是造成使用者感知延遲更大的因素。
那個環節正是路由器發揮價值的地方。OrcaRouter 提供215 個模型,透過單一 OpenAI 相容 API 以 0% 加價,供應商定價原樣傳遞,並具備跨供應商自動容錯移轉——因此,負責對逐字稿推理的模型可以換成更快的,或在通話中途容錯移轉,而無需更動 Azure 或 ElevenLabs 整合。我們不提供 Scribe v3 Live Medical 或 MAI-Transcribe-2-Streaming;轉錄環節仍留在你原本購買的地方。

裁決,以採購決策的形式表述
如果你需要一個可以呼叫、定價並列入價目表的轉錄器,請選擇 MAI-Transcribe-2-Streaming。在兩者之中,它是唯一屬於模型而非平台功能的選項;其文件詳盡到區域與 SDK 層級;而它宣稱的準確率-延遲組合是目前串流 ASR 已公布的最強定位——但須注意,該宣稱來自 Microsoft,且董事會尚未將其繪製成圖。在預覽版上建置時請保持一貫的謹慎:沒有 SLA,且 introductory price 會變動。
如果你買的是代理,而不是轉錄器,就選擇 Scribe v3 Live Medical——如果電話系統、輪次控制、語音與防護機制反正都會是 ElevenLabs 的,那麼在這個堆疊內針對臨床情境微調,會比一個你還得自己整合、通用 WER 更好的方案更有價值。先用你自己的錄音測試,而且在文件不再警告你不要這麼做之前,別把 PHI 送進去。
如果你真的還拿不定主意,決勝關鍵不在任一廠商的網站上:把你自己的二十通通話分別跑過兩邊,計算會改變臨床決策的錯誤數,而不是總錯誤數,並把這個數字與每個選項每月讓你付出的成本相比,包括那些你原本得自行打造的部分。在那項測試中,2.5% 和 12.8% 都會是錯的,排名很可能翻轉。
