ElevenLabs: Scribe v2 Medical は ElevenLabs の文字起こしモデルで、2026年10月7日にリリースされました。Fish Audio: Transcribe 1 Pro は Fish Audio の文字起こしモデルで、2026年9月24日にリリースされました。どちらも api14 上の同じカテゴリに属するため、文字起こしモデルと別種のモデルを比べているのではなく、2つの音声認識システムの間で選んでいることになります。どちらも汎用チャットモデルや推論モデルではなく、マルチモーダルアシスタントとして位置づけられているわけでもありません。音声を入力として受け取り、文字起こしを出力します。
この2つのモデルは形としては近いものです。どちらも入力モダリティとして音声のみを受け付け、出力モダリティとして文字起こしのみを返します。どちらもコンテキスト長をトークン数で示していないため、比較できる公開済みのコンテキストウィンドウの数値はなく、どちらも対応パラメータを公開していないため、API 経由でサンプリングやデコーディングのオプションを調整することはできません。定性的な違いも乏しいです。両者を分ける唯一の項目は入力価格で、Scribe v2 Medical のほうが安価です。出力価格はほぼ同じで、コンテキストサイズ、ツール使用、構造化出力、推論について記録された違いはありません。実際には、このことは判断が価格と、どちらのプロバイダーの文字起こし挙動を好むかにかかっており、機能チェックリストにかかっているわけではないことを意味します。
両者の間で選ぶ開発者にとって、実用的な分かれ目は単純です。大量の音声を文字起こししていて、入力単位あたりのコストが重要なら、Scribe v2 Medical が安価な選択肢であり、バッチジョブ、長時間の録音、通話アーカイブ、あるいは大量の音声分数に対して支払いが発生するあらゆるパイプラインにとって自然なデフォルトです。Fish Audio: Transcribe 1 Pro は、Fish Audio の文字起こし出力を特に求めるときの代替案です。たとえば、自分のドメインの音声でその精度をすでに検証済みである場合や、スタックの他の部分で Fish Audio に標準化している場合です。出力価格はほぼ同じで、能力の違いも記載されていないため、価格とプロバイダーへの慣れ以外に、一方を他方より好む強い技術的理由はありません。
どちらのモデルも api14 経由での呼び出しは同じように機能します。ゲートウェイが OpenAI 互換 API を公開しているためです。通常のリクエスト形式で音声を文字起こしエンドポイントに送信し、両者の間で変わるのはモデル id だけです。ElevenLabs のモデルには "elevenlabs/scribe-v2-medical" を、Fish Audio のモデルには "fish-audio/transcribe-1-pro" を使用します。クライアント、認証、リトライロジック、レスポンス解析のその他すべては同一のままなので、切り替えは1行の変更であり、統合コードを書き直すことなく自分の音声で2つを A/B テストできます。
より高価なモデルのほうがそれでも良い選択となるケースが1つあります。Fish Audio の出力に合わせてプロンプト、後処理、下流ロジックをすでに調整している場合、または自分の評価セットで Transcribe 1 Pro が特定の音声をよりうまく処理することが示されている場合、小さな入力価格差は移行に値しないかもしれません。他の差別化要因が記載されていないため、その判断はモデルのメタデータが決着させられるものではなく、自分のデータに基づいて自分で下すものです。