
Scribe v3 對上 MAI Transcribe 2:0.09 分與 4.4 倍的速度差距
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 186 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 358 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 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 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 80 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 111 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 210 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 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 每百萬 tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
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。

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。

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。

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。
