
Scribe v3 Live Medical vs. Gemini 3.5 Transcribe Live: 12,8 % und 4,00 % sind nicht dieselbe Zahl
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 89 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
Stellt man die 12,8 % von Scribe v3 Live Medical neben die 4,00 % von Gemini 3.5 Transcribe Live, scheint die Frage nach der Streaming-Transkription zugunsten von Google um den Faktor drei entschieden. Das ist sie nicht, und der Grund dafür ist das Nützlichste auf dieser Seite: Diese beiden Zahlen wurden an unterschiedlichem Audiomaterial, von unterschiedlichen Organisationen und für unterschiedliche Zwecke gemessen. Die 12,8 % sind die Wortfehlerrate von ElevenLabs auf PriMock57 – 57 aufgezeichnete simulierte hausärztliche Konsultationen, voller Medikamentennamen, Dosierungen und halb ausgesprochener Sätze. Die 4,00 % sind die Streaming-Wortfehlerrate von Artificial Analysis für Gemini 3.5 Transcribe Live in ihrer allgemeinen Sprach-Testumgebung, mit 0,40 Sekunden bis zu einem finalen Transkript. Das eine ist eine klinische Konsultation; das andere ist eine Benchmark-Suite. Sie zu vergleichen ist derselbe Fehler, wie den Kraftstoffverbrauch eines Autos auf einer Rennstrecke mit seinem Kraftstoffverbrauch im Stadtverkehr zu vergleichen und daraus zu schließen, dass sich der Motor geändert hat.
Blendet man den falschen direkten Vergleich aus, bleibt eine echte Wahl übrig, und dabei geht es um die Bereitstellung, nicht um die Genauigkeit. Gemini 3.5 Transcribe Live ist ein Modell, das man aufruft: gemini-3.5-transcribe-live, ein WebSocket-Endpunkt mit einem veröffentlichten Minutenpreis, einer kostenlosen Stufe und einer Obergrenze von zehn Minuten pro Sitzung. Scribe v3 Live Medical ist ein Modell, das man überhaupt nicht aufrufen kann — es existiert nur als ASR-Option innerhalb von ElevenAgents, im Early Access, ohne Modell-ID und ohne eigenen Tarif. Das eine ist Infrastruktur. Das andere ist eine Funktion einer Agentenplattform. Was man will, hängt davon ab, ob man ein Transkriptionssystem baut oder einen Telefonagenten kauft.
Was jede Seite tatsächlich veröffentlicht
Der Spezifikationsvergleich, Dimension für Dimension, wie ihn jeder Anbieter darstellt:
• Zugriff — Gemini 3.5 Transcribe Live ist ein Live-API-WebSocket-Endpunkt (gemini-3.5-transcribe-live) mit einem kostenlosen Kontingent; Scribe v3 Live Medical ist nur in den Einstellungen für die automatische Spracherkennung eines ElevenAgents-Agenten auswählbar und nicht über die Speech-to-Text-API.
• Preis — Gemini 3.5 Transcribe Live kostet 3,50 $ pro Million Audio-Eingabe-Tokens und 21,00 $ pro Million Text-Ausgabe-Tokens; Google schätzt dies auf jeweils 0,005 $ und 0,004 $ pro Minute, kombiniert etwa 0,009 $ pro Minute; Scribe v3 Live Medical hat keinen separaten Preis und ist in der ElevenAgents-Preisgestaltung enthalten.
Genauigkeit — Gemini: 4,00 % Streaming-WER bei 0,40 s bis zum finalen Ergebnis, laut Artificial Analysis; Scribe: 12,8 % WER auf PriMock57, vom Anbieter durchgeführt, gegenüber 15,5 %–17,2 % bei vier konkurrierenden Echtzeitmodellen.
• Domänenanpassung — Gemini: Biasing mit benutzerdefiniertem Vokabular beim Batch-Pendant, mit Diarisierung und Wort-Zeitstempeln, beschrieben auf der Karte „Gemini 3.5 Transcribe“; Scribe: ein klinisches Fine-Tuning plus bis zu 10.000 benutzerdefinierte Begriffe ohne Zusatzkosten.
• {{1}}Sprachen{{/1}} — Gemini: über 85 Sprachen mit Wechsel mitten im Stream; Scribe: über 90 Sprachen, medizinische Verbesserungen gemessen in Englisch, Französisch und Deutsch.
• Sitzungsform — Gemini: eine WebSocket-Sitzung mit einer Höchstdauer von zehn Minuten; Scribe: besteht für die Dauer der Agentenkonversation.
• Compliance — Gemini: keine medizinische oder HIPAA-Positionierung, die wir in der Modelldokumentation finden konnten; Scribe: HIPAA-fähig mit einem BAA und Zero Retention Mode, mit einer ausdrücklichen Warnung, keine PHI an das Early-Access-Echtzeitmodell zu senden, bis dessen eigene Eignung bestätigt ist.
Zwei dieser Zeilen sind für die meisten realen Entscheidungen ausschlaggebend, und keine davon ist die Genauigkeit. Die Zehn-Minuten-Obergrenze ist architektonisch bedingt: Für alles, was länger dauert als eine Callcenter-Umfrage, muss eine Session zusammengestückelt werden, und die Nahtstelle ist Ihr Problem. Der andere ist das Fehlen eines Preises für das ElevenLabs-Modell: Man kann es nicht auf eine Preisliste setzen, weil es in einem Abonnement steckt, das auch das LLM, die Telefonie und die Stimme abrechnet.

Die Genauigkeitszeile in etwas verwandeln, das Sie nutzen können
Es gibt eine legitime Methode, diese beiden zu vergleichen, und sie erfordert, sie laufen zu lassen – genau davor sollen die Marketingdiagramme dich bewahren. Was sich anhand der veröffentlichten Belege sagen lässt, ist weniger weitreichend:
Speziell bei klinischen Gesprächen hat ElevenLabs einen gemessenen Wert und Google nicht. Das ist keine Behauptung, dass Gemini 3.5 Transcribe Live bei Arzneimittelnamen schlecht ist – sondern die Behauptung, dass niemand eine PriMock57-vergleichbare Kennzahl dafür veröffentlicht hat. Googles Mechanismus für benutzerdefiniertes Vokabular ist das Werkzeug, das es genau für dieses Problem anbietet, und Vokabular-Biasing ist beim Batch-Modell dokumentiert; beim Live-Endpunkt ist die Dokumentation dünner als bei seinem Batch-Pendant, und die auf der gemeinsamen Gemini 3.5 Transcribe-Karte beschriebenen Funktionen für Diarisierung und Wort-Zeitstempel sind pro Endpunkt nicht ausdrücklich bestätigt.
Bei allgemeinem Konversationsaudio hat Google eine {{1}}unabhängig veröffentlichte Zahl{{/1}} und ElevenLabs {{2}}eine vom Anbieter selbst ermittelte Zahl{{/2}}. Die {{3}}4,00 %{{/3}} stammen aus einem Tracker mit festem Testaufbau und Dutzenden von Modellen; die {{4}}12,8 %{{/4}} stammen aus einem einzigen Set von 57 Konsultationen, das ElevenLabs ausgewählt und durchgeführt hat. Beide sind nützlich. Keine von beiden übersteht es, von der anderen abgezogen zu werden.
Die praktische Variante: Wenn Ihre Arbeitslast aus klinischen Anrufen besteht, bedienen Sie sich einer Stichprobe Ihrer eigenen Aufnahmen im PriMock57-Stil – zwei Sprecher, ein echtes Arzneimittelverzeichnis im Raum, mindestens ein Anrufer, der eine Mitglieds-ID vorliest – und lassen Sie beide laufen. Wenn es sich um allgemeine Streaming-Transkription mit etwas Fachjargon handelt, ist die von Google veröffentlichte Zahl der besser auditierbare Ausgangspunkt, und ihre Vokabular-Gewichtung wird den Großteil der Domänenlast tragen.

Der klinische Unterschied liegt in den Pausen, nicht in den Worten.
Die Funktion, die ElevenLabs entwickelt hat und die Googles Dokumentation nicht beschreibt, ist die Turn-Prediction. Das Turn-Modell von Scribe v3 Live Medical nutzt Gesprächskontext statt nur Stille, um zu entscheiden, dass ein Anrufer fertig ist – das ist der Unterschied zwischen einem Agenten, der nach „meine Mitglieds-ID ist 4-4-2“ antwortet, und einem, der auf die letzte Ziffer wartet. Die Beispiele von ElevenLabs selbst sind genau die Zeichenfolgen, die silence-basiertes Endpointing brechen: Mitglieds-IDs, Geburtsdaten, Telefonnummern, buchstabierte Dosierungen.
Gemini 3.5 Transcribe Live verlagert dasselbe Problem eine Ebene höher im Stack. Die Dokumentation beschreibt es als bidirektionales Streaming-Transkriptionsmodell; wo der Turn endet, entscheidet das Agent-Framework, das darüber liegt, und Googles Voice-Agent-Ansatz läuft über die eigene Turn-Verarbeitung der Live API statt über ein transkriptionsspezifisches Turn-Modell. Das ist eine völlig gute Architektur – und eine andere: Die Endpointing-Logik liegt bei Ihnen, und Sie werden sie abstimmen. In einem klinischen Gespräch, in dem ein Patient mitten in der Symptomschilderung innehält, um nachzudenken, ist diese Abstimmung nicht kosmetisch.
Der Kostenvergleich – ehrlich gemacht
Der Tarifzähler von Google ist transparent genug, um darauf eine Zahl zu stützen. Nehmen Sie eine Klinik, die an 22 Tagen im Monat täglich 40 Stunden Live-Telefonate abwickelt: 52.800 Minuten. Bei geschätzten 0,009 US-Dollar pro Minute als Mischpreis sind das etwa 475 US-Dollar im Monat für den Transkriptionsanteil – eine Position, die Sie prognostizieren, deckeln und bei der Verlängerung verhandeln können.
Auf der ElevenLabs-Seite ergibt sich keine vergleichbare Zahl, und wer eine nennt, rät. Der nächstgelegene veröffentlichte Ankerpunkt ist die API-Preisliste – Scribe v3 Live zu 0,22 $ pro Stunde, Keyterm-Prompting zu 0,08 $ pro Stunde –, aber Scribe v3 Live Medical wird nicht so verkauft. Es ist Teil von ElevenAgents, wird pro Gesprächsminute bepreist, und das Gespräch umfasst die LLM-Tokens, die Sprachsynthese und die Telefonie. Dieses Bündel ist entweder ein Rabatt oder eine Bindung, je nachdem, was man sonst zusammengestellt hätte, und das lässt sich nicht anhand einer Preisseite klären.
Eines lässt sich durchaus übertragen: Wenn Sie am Ende beides betreiben – Google für die Transkription, ein LLM Ihrer Wahl für das Reasoning –, dann liegen die Routing-Entscheidungen im zweiten Teil. OrcaRouter bietet 215 Modelle hinter einer einzigen OpenAI-kompatiblen API ohne Aufschlag, wobei die Listenpreise der Anbieter unverändert weitergegeben werden, sodass das Modell, das Geminis Transkript liest, ausgetauscht oder per Failover ersetzt werden kann, ohne den ASR-Code anzufassen. Wir bieten auf dieser Seite keines der beiden Transkriptionsmodelle an, und nichts oben ist unser Preis.

Welchen soll man wählen?
Wähle Gemini 3.5 Transcribe Live, wenn du das Produkt selbst baust, statt es zu kaufen. Es ist von den beiden das einzige aufrufbare Modell mit einem veröffentlichten Preis, einer kostenlosen Teststufe zur Evaluierung und einem Endpunkt, den du hinter deine eigene Agent-Schleife legen kannst. Das Sitzungslimit von zehn Minuten ist die Randbedingung, um die du herum designen musst, und das Fehlen eines klinischen Benchmarks ist die Lücke, die du mit deinem eigenen Audiomaterial und einer individuellen Vokabelliste schließen musst.
Wählen Sie Scribe v3 Live Medical, wenn Sie bereits entschieden haben, dass der Agent ElevenLabs' Problem ist – und wenn Ihre Compliance-Position ein Early-Access-Modell zulässt, was laut der aktuellen Dokumentation für PHI nicht der Fall ist, bis die Berechtigung bestätigt ist. Das klinische Fine-Tuning und das Turn-Modell sind echte Vorteile in einem Live-Patientengespräch, und der PriMock57-Abstand zu den konkurrierenden Echtzeitmodellen ist der stärkste veröffentlichte Beleg dafür, dass klinische Anpassung überhaupt hilft. Es ist schlicht kein Beleg für Gemini, und Gemini ist kein Beleg dafür.
Die Zahl, auf die man achten muss, ist nicht der eine oder andere WER-Wert. Entscheidend ist, ob Scribe v3 Live Medical jemals eine eigene Modell-ID bekommt. Sobald das der Fall ist, wird dieser Vergleich zu einem ganz normalen – zwei aufrufbare Endpunkte, zwei Messgrößen, ein Benchmark, den man ausführen kann – und die 12,8 % werden zu etwas, das ein Käufer tatsächlich überprüfen kann.
In diesem Artikel verglichen1
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
