بطاقة عنوان تحمل «Scribe v3 Live Medical مقابل Whisper Large v3 Turbo» مع عنوان فرعي «أحدهما لا يمكنك استئجاره، والآخر يمكنك امتلاكه». أسفلها مقياس واحد: على اليسار أيقونة قفل مغلق مكتوب عليها «ElevenAgents فقط، دون معرّف نموذج»، وعلى اليمين صندوق مفتوح مكتوب عليه «809M معامل، رخصة MIT، يعمل على نحو 6 GB من VRAM».
Guides & Insights

Scribe v3 Live Medical مقابل Whisper Large v3 Turbo: النموذج الذي لا يمكنك استئجاره مقابل النموذج الذي يمكنك امتلاكه

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

Whisper Large v3 Turbo هو نموذج يضم 809 ملايين معامل بموجب ترخيص MIT، يمكنك تنزيله وتكميمه إلى نحو 1.6 GB وتشغيله على وحدة معالجة رسومات متواضعة واحدة بسرعة تعادل نحو ثمانية أضعاف سرعة Whisper Large v3. أما Scribe v3 Live Medical فهو نموذج مضبوط ضبطًا دقيقًا لأغراض سريرية من ElevenLabs، لا يمكنك تنزيله، ولا استدعاؤه عبر API، ولا الحصول عليه على الإطلاق ما لم تكن تشغّل وكيلًا داخل ElevenAgents. إن وضعهما في الجملة نفسها أمر غريب إلى أن تلاحظ أنهما يشغلان الموضع نفسه في قرار واقعي: فكلاهما ما تلجأ إليه عندما يظل الناسخ عام الغرض يحرّف كلمة "empagliflozin"، ولا يتاح منهما لمعظم الفرق سوى واحد.

هذه هي المقارنة الفعلية. ليست الدقة — فالرقمان لا يتطابقان — بل الإتاحة، وما يكلّفك إياه الأساس المفتوح من عمل هندسي لسدّ فجوة لن يبيعك مورّد حلاً مغلقاً لسدّها.

النسخة المكوّنة من إحدى عشرة كلمة لسبب أن هذه ليست معركة معايير.

الرقم المنشور من ElevenLabs لـ Scribe v3 Live Medical هو معدل خطأ في الكلمات قدره 12.8% على PriMock57، وهي 57 استشارة رعاية أولية صورية، مقابل 15.5% إلى 17.2% لأربعة نماذج طبية وعامة متنافسة تعمل في الوقت الفعلي. أما الأرقام المنشورة لـ Whisper Large v3 Turbo فهي 2.1% على LibriSpeech test-clean و4.2% على test-other — أي قراءة كلام من كتب صوتية إنجليزية، وهي مجموعة بيانات ظلت المعيار المفتوح القياسي لسنوات، وهي تقريبًا أبعد ما يكون الصوت عن مكالمة هاتفية بشأن وصفة طبية.

في ظروف LibriSpeech، يتفوق نموذج مفتوح بحجم 809M على نموذج مُضبط سريريًا بفارق كبير. أما في استشارة حقيقية باستخدام سماعة رأس سيئة، فإن كلا الرقمين مجرد ضجيج. ولا يتنبأ أي من الرقمين بالآخر، وأي شخص يصفّهما جنبًا إلى جنب ويعلن فائزًا إنما يقارن قياسًا في غرفة نظيفة لنموذج دفعي بقياس أجراه مورّد لنموذج بثّي. الصياغة الصادقة هي أن الضبط الدقيق الطبي يزعم تفوقًا على نماذج أخرى في الزمن الحقيقي في الصوت السريري، وأن Whisper يزعم تفوقًا على نماذج مفتوحة أخرى في الكلام المقروء النظيف، ولا تمس أي من الدعويين الأخرى.

ما هو Whisper Large v3 Turbo في الواقع، وما ليس هو

تقطير OpenAI لـ Whisper Large v3، الصادر بموجب ترخيص MIT في أكتوبر 2024: 32 طبقة مُشفِّر و4 طبقات مُفكِّك، انخفاضًا من 32، ومن هنا تأتي السرعة. يعمل في إصدارات faster-whisper وwhisper.cpp وONNX وGGUF، ويُكمَّم بما يكفي ليعمل على حاسوب محمول، ويغطي 99 لغة، ولا يكلف شيئًا في رسوم الترخيص سواء شغّلته على وحدة GPU واحدة أو على رفّ كامل.

ما ليس عليه، وهذه هي القائمة التي تهمّ الوكيل السريري:

• لا يعمل بالبثّ التدفقي. صُمّمت بنية Whisper حول نافذة ثابتة مدتها 30 ثانية، لذا يعني «الوقت الحقيقي» تقطيع الصوت وإعادة تشغيله، مع تحمّل تكلفة التداخل وقبول أن النص المكتوب يتأخر عن الكلام بمقدار ما تخزّنه مؤقتًا. لا يوجد بثّ تدفقي أصلي للنتائج الجزئية ولا كشف للأدوار.

• لا يقوم بفصل المتحدثين. تيار واحد من الكلمات، دون أي مفهوم لمن قال ماذا. في استشارة بين شخصين يذكر فيها كلٌّ من المريض والطبيب أسماء الأدوية، إما أن تربط نموذجًا منفصلًا لتمييز المتحدثين، أو أن تقبل بنصٍّ غير مُعنون بأسماء المتحدثين.

• لا يقوم بالتنسيق. تظهر علامات الترقيم وحالة الأحرف كما أنتجها الصوت، مع التلعثم وكل ما فيه. لا توجد معالجة للتصحيحات الذاتية، ولا كتابة الجمل بحروف كبيرة، ولا بنية للملاحظات السريرية.

• إنه غير مُدرَّب على الترجمة، وليس لديه آلية تحيّز مجال. لا توجد قائمة مصطلحات مفتاحية تُعطى له لتزويده بدستور الأدوية، ولا توجيه يخبره بأن هذه مكالمة في أمراض القلب. إما أن تضبطه ضبطًا دقيقًا، أو تُجري عليه معالجة لاحقة، أو تقبل الأخطاء.

وعلى النقيض، فإن Scribe v3 Live Medical مبنيّ تقريبًا بالكامل من تلك الأمور الأربعة الغائبة: فهو يبثّ مباشرةً، ولديه تنبؤ بتبدّل المتحدثين ينتظر حتى ينتهي معرّف عضو، ويحمل ما يصل إلى 10,000 مصطلح سريري مخصص دون أي رسوم، وهو نسخة مضبوطة بدقة من نموذج دُرّب على المحادثات بدلًا من الكتب الصوتية. وتتصف ElevenLabs بالصراحة بشأن الموضع الذي يتوقف عنده ذلك — فأسماء الأدوية المعزولة التي لا سياق محيط بها هي الحالة الأصعب لكل نموذج، والنصيحة هي استخدام المصطلحات المفتاحية لتحييز النموذج نحو ما تتوقعه.

The openai/whisper repository page on GitHub, showing 113k stars and 13.7k forks, the README heading 'Robust Speech Recognition via Large-Scale Weak Supervision' and an MIT license badge in the sidebar.

التكلفة الهندسية لسدّ الفجوة بنفسك

هنا تتحول المقارنة إلى جدول بيانات بدلاً من لوحة صدارة. الفريق الذي يريد أن يعمل Whisper Large v3 Turbo كناسخ سريري فوري عليه أن يبني أربعة أشياء:

• طبقة تغليف للبث — صوت مقسّم إلى قطع، ونوافذ متداخلة، ودمج للفرضيات الجزئية، وقاعدة كشف نهاية الكلام خاصة بك، لأن Whisper لا يوفّر لك أيًا منها. توقّع أن تقضي وقتًا حقيقيًا في معالجة نقاط الوصل؛ فهي حيث تعاني معظم وكلاء الصوت محلية الصنع من أسوأ زمن استجابة لديها.

• آلية للمفردات — لا يملك Whisper أي آلية منها. فإما أن تُجري ضبطًا دقيقًا على تسجيلاتك السريرية الخاصة، وهو ما يتطلب بيانات موسومة لا تملكها على الأرجح، أو أن تُجري تصحيحًا لاحقًا مقابل قائمة بأسماء الأدوية، وهذه مشكلة مطابقة ضبابية تُنتج فئتها الخاصة من الأخطاء الواثقة.

• تمريرة تمييز المتحدثين — نموذج ثانٍ، وميزانية تأخير ثانية، وخطوة دمج يجب أن تحاذي أدوار المتحدثين مع توقيتات كلمات Whisper.

• البنية التحتية — وحدات معالجة الرسومات (GPUs)، والتوسّع التلقائي، وطابور لمسار المعالجة الدفعية، وشخصٌ في المناوبة عندما يتعطّل الجهاز الذي يفرّغ 40 ساعة يوميًا في الساعة الثانية صباحًا.

لا شيء من ذلك يُعدّ عائقًا. فكل ذلك عمل كان نموذج سريري مُدار سيتولّاه، والسؤال الصادق هو ما إذا كان وقت فريقك أفضل استثمارًا هناك أم في المنتج السريري نفسه. وبالنسبة لفريق بحثي أو فريق منصة يدير بالفعل بنية تحتية للاستدلال، تكون الإجابة غالبًا نعم — ولهذا أصبح Whisper الخيار الافتراضي في المقام الأول. أما بالنسبة لشركة ناشئة في الصحة الرقمية مؤلفة من خمسة أشخاص ويتمثل عامل تميّزها في سير عمل التمريض، فالإجابة عادةً لا.

الرخصة هي الميزة الحقيقية، وهي ليست ميزة صغيرة.

ترخيص MIT الخاص بـ Whisper يعني عدم وجود مورّد، ولا عدّاد، ولا رسوم لكل دقيقة تزداد مع حجم المكالمات، ولا اشتراط أن يغادر صوت المريض شبكتك. وبالنسبة لكيان مشمول، فإن هذه النقطة الأخيرة ليست مجرد ميزة إضافية. إن نشر Whisper المستضاف ذاتيًا داخل VPC الخاصة بك هو قصة امتثال يعرف فريق الأمن لديك بالفعل كيفية اعتمادها: فلا تعبر معلومات الصحة المحمية (PHI) حدود أي مورّد، والاحتفاظ بالسجلات تحدده أنت، ولا توجد اتفاقية شريك أعمال للتفاوض بشأنها.

في المقابل، تقول وثائق ElevenLabs حاليًا شيئًا سيقرأه مسؤول الامتثال مرتين: لا ترسل معلومات صحية محمية إلى Scribe v3 Live Medical إلى أن يتم تأكيد أهلية النموذج لـ HIPAA، كما أن إقامة البيانات في الاتحاد الأوروبي غير متاحة أثناء الوصول المبكر. أما البيان العام في صفحة النسخ الطبي — مؤهل لـ HIPAA لعملاء Enterprise الذين لديهم BAA وZero Retention Mode — فيصف المنصة والمنتج الطبي المتاح للعموم (GA)، Scribe v2 Medical. وبالنسبة إلى النموذج الآني في مرحلة الوصول المبكر، فإن التحذير هو الجملة السارية.

إذن، يفوز خط الأساس المفتوح في مقارنة الامتثال بشكل قاطع اليوم، لسبب لا علاقة له بالدقة، بل كل علاقته بأوراق لم تكتمل.

التكلفة الحدية، عند ثلاثة أحجام مختلفة

لتشغيل Whisper تكلفة عتادية ولا يوجد عدّاد لها. شغّله على وحدة معالجة رسومات تملكها بالفعل، فتقترب التكلفة الحدية للدقيقة المنسوخة صوتيًا من تكلفة الكهرباء؛ وإذا استأجرت واحدة، فهي سعر المثيل مقسومًا على معدل الإنتاجية، وهو في حزم الخدمة الحديثة عدد قليل من السنتات لكل ساعة صوتية. عند ألف ساعة شهريًا، تغطي وحدة معالجة رسومات مستأجرة واحدة الحمل مع هامش إضافي.

لا توجد تكلفة حدية لحوسبة Scribe v3 Live Medical لأنها لا تُباع بالدقيقة — بل هي ضمن اشتراك ElevenAgents يُحاسَب على أساس دقيقة المحادثة ويتضمن نموذج اللغة الكبير والاتصالات الهاتفية والصوت. الأسعار المرجعية لواجهة API الخاصة بـ ElevenLabs، بالنسبة إلى النماذج التي يمكن قياس استهلاكها فعليًا، هي $0.22 لكل ساعة لـ Scribe v3 Live و$0.20 لكل ساعة لـ Scribe v2 Medical، مع توجيه الكلمات المفتاحية في الوقت الفعلي بسعر $0.08 لكل ساعة.

عند عشر ساعات شهريًا، يكون المسار المُدار أرخص بوضوح: لا حاجة لشراء GPU، ولا لصيانة خط معالجة، والاشتراك يشمل الوكيل. وعند عشرة آلاف ساعة شهريًا، يصبح تشغيل Whisper ذاتيًا أرخص من أي تسعير بالدقيقة نُشر يومًا ما، ولن يستطيع أي مورّد أن يهبط أبدًا تحت التكلفة الحدية لعتادك الخاص وهو يشغّل أوزان MIT. أما نقطة التعادل، كما هو الحال دائمًا، فتقع حيث يصبح ناتج قسمة راتبك الهندسي على الساعات الموفَّرة أقل من السعر بالدقيقة — وبالنسبة لفريق سريري صغير، تقع هذه النقطة في وقت أبعد مما يوحي به جدول البيانات، لأن خط المعالجة الذي تبنيه هو خط معالجة ستصونه إلى الأبد.

A two-column scoreboard titled 'Scribe v3 Live Medical vs Whisper Large v3 Turbo — the scoreboard', with the rows Licence (platform only vs MIT), Access (ElevenAgents only vs download and self-host), Streaming (native, turn prediction vs no, 30-second windows), Diarization (built in vs no), Vocabulary (10,000 terms included vs none, fine-tune or correct) and Cost (bundled, no ASR rate vs your own GPU), and a footer reading 'Scribe figures vendor-run and unavailable outside ElevenAgents; Whisper figures per OpenAI.'

أين يتناسب الموجّه، بدقة

يسلّمك Whisper نصًا؛ فلا يزال ثمة ما يجب أن يقرأه ويتصرف بناءً عليه. في سير عمل سريري، يكون ذلك نموذجًا ثانيًا — يصوغ الملاحظة، ويستخرج قائمة الأدوية، ويقرر ما إذا كانت المكالمة تحتاج إلى ممرضة — وهو الجزء الذي يتوسع مع طول المحادثة لا طول الصوت. ويوفّر OrcaRouter 215 نموذجًا خلف واجهة برمجة تطبيقات واحدة متوافقة مع OpenAI بهامش ربح 0%، مع تمرير أسعار المزوّدين المدرجة دون تغيير، مع تحويل تلقائي عند الفشل، بحيث يمكن لذلك النموذج الاستدلالي أن يكون صغيرًا سريعًا للردود جولةً بجولة، وأكبر لملاحظة نهاية المكالمة، باستخدام المفتاح نفسه.

كن واضحًا بشأن الحدود: نحن لا نستضيف Whisper Large v3 Turbo ولا نستضيف Scribe v3 Live Medical أو أي نموذج من ElevenLabs. Whisper المستضاف ذاتيًا هو وحدة معالجة الرسومات الخاصة بك؛ أما النموذج الطبي من ElevenLabs فهو منصتهم. ما نقوم بتوجيهه هو الطبقة التي تعلو كليهما.

A section of the OrcaRouter site headed 'Zero markup. Zero black boxes.', with the line 'You pay each provider their exact list price. We add $0 per token' and further text explaining that cached and repeated prompt tokens bill at the provider's own cache rate and that cached_tokens appears on every receipt.

أيّ واحد، لأيّ فريق؟

اختر Whisper Large v3 Turbo إذا كان أي مما يلي صحيحًا: تحتاج إلى أن تبقى النص المفرّغ داخل محيطك الخاص، أو كنت تفرّغ صوتًا مسجّلًا بدلًا من مكالمات مباشرة، أو كان حجمك مرتفعًا بما يكفي بحيث تكون تكلفة القياس لكل دقيقة هي التكلفة المهيمنة، أو لديك القدرة الهندسية لبناء طبقات البث وفصل المتحدثين والمفردات بنفسك. وفي الصوت السريري المسجّل — الملاحظات المملّاة التي تُراجع بعد الزيارة — فإن Whisper مع تمريرة تصحيح لاحقة لأسماء الأدوية إجابة قوية حقًا ورخيصة حقًا، كما أن ترخيصه MIT يزيل فئة كاملة من نقاشات المشتريات.

اختر Scribe v3 Live Medical إذا كان الصوت مباشرًا، والمفردات سريرية، والوكيل سيكون تابعًا لـ ElevenLabs على أي حال. فالتنبؤ بالدور وميزانية الـ10,000 مصطلح أمور كنت ستبنيها بنفسك لولا ذلك، ونتيجة 12.8% على PriMock57 هي نتيجة المورّد نفسه، لكن الاتجاه متسق مع ما يبلغ عنه كل مورّد ASR سريري، والمنصة تستوعب البنية التحتية. ثم انتظر بشأن PHI حتى يُرفع تحذير الوصول المبكر من صفحة الوثائق.

وإذا كنت خارج ElevenAgents تمامًا — وهذا حال معظم من يقرأ هذا — فإن الخيار الحقيقي هو بين Whisper ونموذج طبي قابل للاستدعاء مثل Scribe v2 Medical، بسعر $0.20 في الساعة مع أخطاء أقل بنسبة 15% من Scribe v2 على الصوت الاختباري السريري. Scribe v3 Live Medical هو النموذج الأفضل على الورق. لكنه ببساطة غير متاح، والنموذج الذي لا يمكنك تشغيله ليس منافسًا لنموذج يمكنك تشغيله.