標題卡寫著「Scribe v3 vs MAI Transcribe 2」,副標題為「準確率還是吞吐量——選擇你的瓶頸」,旁邊是兩組成對長條圖,分別標示「準確率(AA-WER)」為 1.95% 與 2.04%,以及「速度(x 即時倍數)」為 76.8x 與長得多的 338.5x,頁腳寫著「所有數據均依據 Artificial Analysis,AA-WER v2.2,非串流」。
Guides & Insights

Scribe v3 對上 MAI Transcribe 2:0.09 分與 4.4 倍的速度差距

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

把 ElevenLabs Scribe v3 和 MAI-Transcribe-2 放上同一個測試框架,它們的字錯誤率最終只相差 0.09 個百分點——在 Artificial Analysis 的非串流 AA-WER Index 上,分別是 1.95% 對上 2.04%。把它們放上同一個吞吐量測試台,其中一個處理完同一小時音訊的實際耗時約只需四分之一。這兩個事實指向相反方向,而你要遵循哪一個,取決於大多數轉錄比較從不問的問題:你的瓶頸是字詞,還是時間。Scribe v3 是更準確的模型,其領先幅度在生產環境中會讓你很難量測。MAI-Transcribe-2 則快 4.4 倍,價格只要一半。本頁要談的是,你實際上應該為哪一個付費。

從看起來像你的音訊的語料庫開始

0.09 個百分點的綜合差距是平均值,而平均值掩蓋了一次逆轉。在 Artificial Analysis 的 Earnings-22 語料庫上——自發、帶口音、多人交談的電話音訊,是排行榜上最接近真實銷售電話的東西——MAI-Transcribe-2 得分 2.99%,Scribe v3 得分 3.34%。微軟在該語料庫上以 0.35 個百分點勝出,這是綜合差距的四倍,且方向相反。在核心朗讀語音集上,Scribe v3 以 1.47% 對 1.83% 勝出。在 VoxPopuli 的議會演說上,則是 1.52% 對 1.50%——在雜訊範圍內難分高下。

所以「Scribe v3 更準確」是一個關於平均值的陳述,而只有在你的音訊是有聲書、議會與電話會議的平均樣態時,這個平均值才有意義。聯絡中心與語音代理的工作負載並非如此;它們是 Earnings-22 型態,而在那個語料庫上,排名會反轉。播客與媒體檔案的工作負載是朗讀語音型態,而在那些負載上,Scribe v3 的優勢是真實的,且比綜合指標所顯示的更大。

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.

這兩組數字都是 Artificial Analysis 在同一個共用測試框架上測得的結果,而這正是這項比較之所以值得進行的唯一原因。兩家廠商自家的發布資料彼此無法相比:ElevenLabs 報告在 102 種語言上相較於 Scribe v2 有 27% 的相對 FLEURS 提升,Microsoft 則報告在 60 種語言上平均有 5.2% 的 FLEURS 提升,而這兩個數字是在不同的語言集合上、以不同的平均方式計算出來的。第三方排行榜是這兩個模型唯一能在同等條件下交會的地方。

4.4× 是改變架構的關鍵數字

吞吐量正是兩個模型不再看似可互相替代的地方。MAI-Transcribe-2 在 Artificial Analysis 的基準測試中,中位速度倍數為 338.5;Scribe v3 則為 76.8。兩者都遠快於即時——Scribe v3 不到一分鐘就能處理完一小時的音訊——因此對於每晚回填播客存檔的批次工作而言,這項差異察覺不到。但對任何互動式用途來說,並非如此。

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.

設想一個語音代理需要先取得轉錄稿,才能決定接下來要說什麼。以 76.8 倍速計算,一小時的音訊需要 47 秒的運算時間。當音訊是已完成的錄音時,這沒問題;但當音訊是即時進來的,這就毫無用處,這也是為什麼 ElevenLabs 會針對這項工作另外販售即時模型,而不是指向批次模型。微軟的答案也是另外的串流 SKU。兩家廠商的批次模型都不是處理即時音訊的合適工具;吞吐量數字的重要性在於另一種情境——每日處理數千小時的高流量非同步管線,等待的是佇列,而不是通話者。

以每月 10,000 小時計算,76.8× 需要約 130 小時的運算資源,而 338.5× 則需要約 30 小時。這就是按小時租用的叢集,與幾乎讓人感受不到其存在的叢集之間的差別。這也是隔夜就能完成的回填,與要花整個週末才能完成的回填之間的差別。

價格:兩倍,並附有到期日

在牌價上,這個差距比準確度差距更清楚。MAI-Transcribe-2 為每音訊小時 0.10 美元,或每 1,000 分鐘 1.67 美元。Scribe v3 在 ElevenLabs 於 11 月 17 日降價後,為每音訊小時 0.20 美元,或每 1,000 分鐘 3.33 美元。兩端都正好是兩倍。

Microsoft 的費率帶有一個任何以此為基礎編列的預算都應納入的限定條件:每小時 0.10 美元是持續到 2026 年底的 introductory offer,而 Microsoft 尚未公布之後的標準費率。把 2027 年計畫釘在每 1,000 分鐘 1.67 美元,就等於讓該計畫留下一行未定價的項目。ElevenLabs 的費率是降價後的現行牌價,不是促銷價,因此即使它目前較高,對多年期模型來說仍是更站得住腳的數字。

另外兩項成本不在主要費率之內,而且兩者都對 ElevenLabs 有利。Scribe v3 的關鍵詞提示會在基本費率之外,每小時另收 0.05 美元;逐字稿編輯則為每小時 0.07 美元。Microsoft 將關鍵詞偏置納入轉錄呼叫中。而 ElevenLabs 的每小時費率涵蓋同一次處理中的說話者分離、實體偵測與字詞時間戳記,Microsoft 則是透過 Azure Speech 資源計量,周邊服務各自有獨立計費項目。兩倍的倍數確實存在,但那是差距的下限,不是上限。

它們真正出現分歧的功能

• 逐字模式 — MAI-Transcribe-2 具備此功能,可在逐字與乾淨輸出樣式之間切換。Scribe v3 則沒有;ElevenLabs 的文件指出該模型「沒有逐字模式」。對於合規錄音、QA 評分,以及任何以起頭失誤作為證據的情況,這是硬性要求,單憑這一點就能決定選擇。

• 語言廣度 — Scribe v3 的文件記載支援 90 多種語言;MAI-Transcribe-2 則為 60 種,並已公布各語言支援表,且預設開啟自動語言識別。ElevenLabs 列出語言名稱,但其準確度細分比其宣稱的涵蓋範圍更窄。

• 語者分段(Diarization)——Scribe v3 最多支援 32 位語者,廠商聲稱相較 v2 可減少 12% 的語者分段錯誤,而在三位以上語者時可減少 17%。MAI-Transcribe-2 將語者分段作為參數提供,並附有標註語者的片段,而 Microsoft 完全沒有公布語者分段錯誤率。未經測量不等於表現差,但就是未經測量。

• 領域詞彙 — Scribe v3 每個批次請求最多可接受 1,000 個關鍵術語。MAI-Transcribe-2 則接受任意長度的片語清單作為辨識提示,且文件明確指出這些詞語僅為提示,並非強制輸出。

• 部署形態 — MAI-Transcribe-2 透過 Azure Speech 的增強模式端點在具名區域中運行,提供 REST 與 SDK 途徑,並具備用於輸入轉錄的 Voice Live 整合。Scribe v3 則是在現有 ElevenLabs 整合上變更模型 ID,預設於美國處理,企業方案另可選擇 EU、印度與新加坡的資料駐留選項。

• 合規 — ElevenLabs 要求在進行 HIPAA 相關工作前,須透過業務部門簽署 Business Associate Agreement;其文件並未說明 Scribe v3 本身符合 HIPAA 資格,只表示醫療保健客戶必須先簽署 BAA。Microsoft 的 Azure Speech 技術堆疊具備常見的地區與企業合規涵蓋範圍。在將病患音訊交由任一者處理前,請仔細閱讀兩者的相關說明。

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.

在沒有第二份合約的情況下同時執行兩者

對大多數團隊而言,現實的答案並非哪個模型勝出,而是分工:在語料庫中表現最好的模型就用於該語料庫,並依工作負載進行路由。這正是 OrcaRouter 的路由層存在於更上游流程的原因——逐字稿會被摘要、分類並轉化為行動項目,而這些呼叫正是會成倍增加的部分。單一 API 橫跨 200+ 個模型,以 0% 加價原樣轉嫁供應商定價,自動容錯移轉,以及一套路由 DSL,可將會議逐字稿送往一個摘要器,並將合規逐字稿送往另一個,而無需第二套整合。Scribe v3 與 MAI-Transcribe-2 都不在我們的名單上——兩者皆由其供應商提供服務——因此這樣的分工仍意味著兩份語音合約。真正省去的是逐字稿之後的所有下游環節。

如果你真的只想選定單一供應商,決勝方式執行起來成本很低:拿一百小時你自己的音訊,讓兩者都在這批音訊上評分,並且看符合 Earnings-22 型態的子集,而不是看平均值。0.09 分的綜合差距,比任一模型在不同語料庫之間顯示出的差異還小,這意味著公開的排行榜只是先驗,不是答案。

誰該選哪個

如果你的音訊是對話式、音訊量大、流程非同步,且需要逐字輸出,就選 MAI-Transcribe-2——並為一月費率變動編列預算。如果你需要語言廣度、大量講者人數、已公開的講者分離(diarization)宣稱,或是一個能放進三年模型而不必加註星號的價格,就選 Scribe v3。如果你有營運上的承擔意願,就兩者都選、依語料庫拆分——兩者的準確度差異小到這個決定其實在於吞吐量、逐字稿支援,以及你相信哪一家的定價明年仍然存在。