Titelkarte mit der Aufschrift „Scribe v3 Live Medical vs GPT Transcribe“ und dem Untertitel „zwei verschiedene Uhren“. Darunter eine zweispurige Zeitachse: Die obere Spur mit der Bezeichnung „während des Anrufs“ zeigt eine Live-Wellenform, die ein Transkript speist, das Wort für Wort wächst; die untere Spur mit der Bezeichnung „nach dem Anruf“ zeigt eine fertige Audiodatei, die ein vollständiges Transkript in einem Block speist.
Guides & Insights

Scribe v3 Live Medical vs. GPT Transcribe: Zwei unterschiedliche Uhren

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Diese beiden Modelle sind keine Konkurrenten, und der schnellste Weg, ein Quartal zu verschwenden, ist, sie als eines zu behandeln. GPT Transcribe ist OpenAIs Offline-Spracherkennungsmodell: Man sendet eine fertige Audiodatei an den Transkriptions-Endpunkt, und es kommt ein vollständiges, formatiertes Transkript zurück. Es kann kein laufendes Gespräch mithören – OpenAIs eigene Dokumentation sagt das ausdrücklich und verweist alle, die Streaming benötigen, auf gpt-live-transcribe oder gpt-realtime-whisper stattdessen. Scribe v3 Live Medical ist das Gegenteil: ein klinisch feinabgestimmtes Echtzeitmodell, das ausschließlich innerhalb von ElevenAgents existiert und Anrufe von Patienten, Mitgliedern und Leistungserbringern transkribiert, während der Anrufer noch in der Leitung ist, sodass ein Agent auf eine Dosierung reagieren kann, bevor der Satz zu Ende ist.

Die ehrliche Frage ist also nicht, welches Modell besser ist. Sie lautet: Auf welcher Uhr läuft Ihr Workflow? Wenn ein Mensch oder ein Modell während des Gesprächs handeln muss – eine Frage beantworten, eine Leistung nachschlagen, eine Kontraindikation erkennen –, ist GPT Transcribe disqualifiziert, bevor irgendein Genauigkeitsvergleich beginnt, und die einzige OpenAI-Option in diesem Bereich kostet pro Minute 3,8-mal so viel. Wenn es sich bei dem Transkript um ein Dokument handelt, das im Nachhinein erstellt wird, ist Scribe v3 Live Medical aus einem völlig anderen Grund unbrauchbar: Es hat keine API, keine Modell-ID und keinen Preis, und es kann von nichts aufgerufen werden, das kein ElevenAgents-Agent ist.

Die Uhr, nach der jeder läuft

Der Tarif von GPT Transcribe beträgt 0,0045 US-Dollar pro Minute bzw. 0,27 US-Dollar pro Audio-Stunde, und seine Einschränkungen sind die Einschränkungen einer Datei: OpenAIs Transkriptions-Endpunkt akzeptiert bis zu 25 MB pro Anfrage, und das Modell liefert ein Transkript zurück, auf das Sprachhinweise angewendet wurden. Es gibt kein Teilresultat, denn es gibt nichts, worauf sich „teilweise“ beziehen könnte. Für einen aufgezeichneten Besuch, eine diktierte Notiz, einen Stapel archivierter Anrufe ist dies genau die richtige Form, und es ist eine der günstigeren Möglichkeiten, Wörter aus Audio zu gewinnen.

OpenAIs Streaming-Spur ist eine andere Produktlinie mit einem anderen Tarif: gpt-live-transcribe wird mit 0,017 USD pro Minute abgerechnet, etwa 1,02 USD pro Audio-Stunde. Das ist der Preis der Uhr — 3,8-mal der Batch-Tarif für die Transkription desselben Anbieters, noch bevor irgendeine Genauigkeitsdiskussion beginnt. Dort liegt auch die eigentliche Echtzeit-Transkriptionskompetenz von OpenAI, und wenn Sie Live-Transkription mit Live-Transkription vergleichen, ist das das Modell, das Sie Scribe v3 Live gegenüberstellen sollten, nicht GPT Transcribe.

Der Zeitrahmen von Scribe v3 Live Medical entspricht der Dauer eines Gesprächs innerhalb von ElevenAgents. Es gibt keine Datei. Es gibt einen WebSocket-förmigen Stream, den die Plattform verwaltet, ein Turn-Modell, das entscheidet, wann ein Anrufer mit dem Sprechen fertig ist, und ein Transkript, das der Agent konsumiert, um zu handeln. ElevenLabs veröffentlicht keine Latenzzahl für die medizinische Variante; die Zahl für die Familie ist, dass Scribe v3 Live eine um 44 % niedrigere semantische Wortfehlerrate als Scribe v2 Realtime hat, dessen mediane Zeit bis zum festgeschriebenen Transkript etwa 150 ms beträgt. ElevenLabs sagt, dass das medizinische Fine-Tuning bei der Latenz mit Scribe v3 Live übereinstimmt.

A page from the OpenAI developer documentation on file transcription, headed 'File transcription' with the description 'Convert recorded speech into text', next to a sidebar listing 'Add transcription context', 'GPT-Live' and 'Speaker diarization'.

Genauigkeit: eine geprüfte Zahl, eine Anbieterzahl, keine Überschneidung

GPT Transcribe hat eine öffentliche, unabhängig gemessene Wortfehlerrate: 3,31 % beim AA-WER-Benchmark von Artificial Analysis, was ihm zum Zeitpunkt seiner Einführung im Juli 2026 den neunten Platz unter rund fünfzig erfassten Systemen einbrachte, mit Teilwerten von 2,22 % bei Agent-Talk-Audio, 2,72 % bei VoxPopuli und 6,10 % bei Earnings Calls. Die Streuung innerhalb dieser einen Zahl ist der interessante Teil — Earnings Calls mit ihren Akzenten, Übersprechen und Fachjargon sind für GPT Transcribe fast dreimal schwieriger als saubere Agentensprache. Ein klinisches Konsultationsgespräch liegt irgendwo in diesem Spektrum, und niemand hat gemessen, wo.

Die Wortfehlerrate von Scribe v3 Live Medical beträgt 12,8 % auf PriMock57, dem von ElevenLabs ausgewählten Satz von 57 Mock-Konsultationen in der Primärversorgung, gegenüber 15,5 % bis 17,2 % für vier konkurrierende Echtzeitmodelle im selben Anbieterlauf. Er ist mit 3,31 % in keiner Richtung vergleichbar, und das nicht nur wegen des Korpus: Die beiden Werte stammen aus unterschiedlichen Testumgebungen, unterschiedlichen Audiobedingungen und – entscheidend – unterschiedlichen Latenzen. Ein Batch-Modell darf die gesamte Datei einsehen; ein Streaming-Modell legt sich fest, ohne zu wissen, was als Nächstes kommt. Streaming-WER ist bei demselben Audio systematisch schlechter als Batch-WER, weshalb Artificial Analysis die beiden auf getrennten Bestenlisten veröffentlicht.

Die vertretbare Aussage: GPT Transcribe ist ein solide gemessenes Batch-Modell, das bei allgemeiner Sprache im niedrigen einstelligen Bereich liegt, Scribe v3 Live Medical ist ein herstellergemessenes Streaming-Modell, das seine Echtzeit-Konkurrenten bei klinischem Audio um etwa drei Punkte übertrifft, und es gibt kein öffentliches Experiment, das beide auf dieselbe Aufnahme stellt.

A two-column scoreboard titled 'Scribe v3 Live Medical vs GPT Transcribe — the scoreboard', with the rows Clock (during the call vs after the call), Price (inside ElevenAgents vs $0.0045 per minute), Accuracy (12.8% PriMock57 vs 3.31% AA-WER), Streams (yes, with turn prediction vs no), Vocabulary (10,000 clinical terms vs keywords and prompt) and Callable (no model ID vs yes, transcriptions endpoint), and a footer reading 'GPT Transcribe per OpenAI and Artificial Analysis; Scribe figures vendor-run.'

Domänenanpassung – genau darin liegt der eigentliche Unterschied.

Das klinische Vokabular ist der eigentliche Grund, warum es das ElevenLabs-Modell gibt, und es geht das Problem zweifach an: ein Fine-Tuning, das auf Medikamentennamen, Anatomie und Pathologie ausgerichtet ist, und ein Keyterm-Mechanismus, der bis zu 10.000 benutzerdefinierte Begriffe akzeptiert – ein Formularium, ein Anbieterverzeichnis, ein Fachwörterbuch – ohne Aufpreis enthalten. ElevenLabs ist in den eigenen FAQ ehrlich über die Grenze: Das Modell wendet einen Begriff nur an, wenn das Audio wahrscheinlich übereinstimmt, und isolierte Arzneimittelnamen ohne Kontext sind für jedes Modell der schwierigste Fall. Sein Beispieltranskript ist aus der einfacheren Form gebaut: ein Arzneimittelname in einem Satz mit angegebener Dosis.

OpenAIs Ansatz setzt auf Instruktion statt auf Fine-Tuning. GPT Transcribe akzeptiert Stichwortlisten und einen frei formulierten Prompt, der beschreibt, worum es im Audio geht, und auf der Realtime-Seite führt das Modell frühere transkribierte Turns als Kontext mit. OpenAIs eigene Messung dieser Konditionierung auf seinem Context Aware ASR Benchmark hob die semantische Genauigkeit für das Live-Modell von 38,5 % auf 44,6 % — eine vom Anbieter gemeldete Zahl, die misst, ob die Bedeutung erhalten blieb, und nicht, ob die Wörter richtig waren.

Der praktische Kompromiss – und er ist real: Ein prompt-konditioniertes Modell kann deutlich besser abschneiden als sein roher Benchmark, wenn man ihm sagt, was es zu erwarten hat, und es kann die von Ihnen gelieferten Schlüsselwörter halluzinieren. Setzen Sie „metformin“ in den Prompt, und ein Modell, das das Wort nicht klar hören kann, gibt es trotzdem möglicherweise aus. Ein auf Schlüsselbegriffe ausgerichtetes Modell verschlechtert sich sanfter, weil die Gewichtung die Wahrscheinlichkeit verschiebt, statt das Vorhandensein zu behaupten. Keiner der beiden Fehlermodi erscheint auf einem Leaderboard. Beide erscheinen in klinischen Notizen, wo eine halluzinierte Dosierung schlimmer ist als eine Leerstelle.

Die Compliance-Frage wird durch die Form entschieden, nicht durch die Scorecard.

Für eine Covered Entity ist dies der Abschnitt, der die Evaluierung tatsächlich abschließt. ElevenLabs gibt an, dass Scribe v2 Medical – das Batch-Pendant, das Modell, das Sie über die API aufrufen können – mit einem Business Associate Agreement und dem Zero Retention Mode HIPAA-eligible ist und dass bei aktiviertem ZRM Audio und Transkript nach der Verarbeitung nicht aufbewahrt werden. Die Dokumentation enthält eine nachdrücklichere Warnung für das Echtzeit-Early-Access-Modell: Senden Sie keine geschützten Gesundheitsinformationen an Scribe v3 Live Medical, bis die HIPAA-Eligibility dafür bestätigt ist, und EU-Datenresidenz ist während des Early Access nicht verfügbar. Diese beiden Aussagen stehen nebeneinander auf der Website von ElevenLabs, und sie sind nicht dieselbe Aussage.

Auf der OpenAI-Seite ist der Transkriptions-Endpunkt eine Standard-Enterprise-API mit der üblichen Datenhandhabung; er wird nicht als klinisches Produkt verkauft und verfügt über kein medizinisches Fine-Tuning. Was er jedoch mitbringt, ist der praktische Vorteil eines Batch-Modells: PHI verlässt Ihren Perimeter einmal, in einer Datei, die Sie ausgewählt haben, für einen Zeitraum, den Sie kennen, und kommt als Text zurück, den Sie selbst speichern. Es gibt keinen dauerhaften Stream, über den man nachdenken müsste.

Diese Asymmetrie wirkt in eine unerwartete Richtung. Eine Batch-Pipeline ist gerade deshalb leichter konform zu bekommen, weil sie weniger bewegliche Teile hat, und wenn Ihr klinischer Workflow ein paar Minuten Verzögerung toleriert – Ambient-Dokumentation, die nach dem Termin geprüft wird, ein Entwurf einer Notiz, den eine Klinikerin oder ein Kliniker unterzeichnet –, dann ist GPT Transcribe mit einem sorgfältig formulierten Prompt und einer Keyword-Liste eine einfachere Compliance-Geschichte als ein Real-Time-Modell im Early-Access-Zugang, das noch nicht für PHI infrage kommt.

Kosten pro tausend Anrufe, beide Formen

Tausend zehnminütige klinische Anrufe sind 10.000 Minuten. Bei GPT Transcribe sind das 45 $. In OpenAIs Live-Spur sind es 170 $. Bei Scribe v3 Live Medical gibt es keine Zahl zu berechnen, weil das Modell in einem ElevenAgents-Abonnement steckt, das pro Gesprächsminute abgerechnet wird und mit dem LLM, der Sprachsynthese, der Telefonie und dem Turn-Taking gebündelt ist. Ob dieses Bündel günstiger ist als 45 $ plus Ihr eigener Agent-Stack, hängt ganz davon ab, was Ihr eigener Agent-Stack kostet, und der ElevenLabs-Preis lässt sich nicht in eine ASR-Position zerlegen.

Was sich zerlegen lässt, ist der Reasoning-Teil, und dieser skaliert mit der Anruflänge statt mit der Audiolänge. Ein klinischer Agent, der ein Transkript liest und eine Entscheidung trifft, ruft bei jedem Turn ein LLM auf; OrcaRouter stellt 215 Modelle hinter einer OpenAI-kompatiblen API zu 0 % Aufschlag bereit, die Listenpreise der Anbieter werden unverändert durchgereicht, sodass das Modell hinter jedem der beiden Transkriptoren ausgetauscht oder mit automatischem Failover versehen werden kann, ohne den Audiopfad anzutasten. Wir bieten weder Scribe v3 Live Medical noch irgendein OpenAI-Transkriptionsmodell an, und keiner der oben genannten Preise stammt von uns.

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.

Wie man entscheidet

Wenn das Transkript existieren muss, während der Anrufer noch spricht, ist GPT Transcribe das falsche Modell, und der ehrliche Vergleich ist der mit OpenAIs Live-Endpunkt für 0,017 US-Dollar pro Minute. Gehen Sie zu ElevenAgents, wenn Sie ein klinisches Fine-Tuning mit Turn-Detection wünschen und die Compliance-Position im Early-Access-Programm akzeptieren; gehen Sie zur OpenAI-Live-Spur, wenn Sie einen aufrufbaren Endpunkt, einen veröffentlichten Preis und Kontextkonditionierung wünschen und bereit sind, Halluzinationen an Ihrem eigenen Formularium zu testen.

Wenn es sich bei dem Transkript um ein Dokument handelt, ist das keine knappe Angelegenheit. GPT Transcribe ist günstiger, unabhängig gebenchmarkt, heute abrufbar und genau für den File-in-Text-out-Workflow lizenziert, den Sie haben. ElevenLabs’ eigene Antwort in dieser Sparte ist Scribe v2 Medical zu $0.20 pro Stunde mit 15 % weniger Fehlern als Scribe v2 bei klinischem Testaudio – ein echter Konkurrent und ein anderer als das Modell in diesem Titel.

Die Falle bei dieser Paarung ist, dass beide Namen das Wort „transcribe“ enthalten und beide Anbieter eine Wortfehlerrate veröffentlichen – da schreibt sich der Vergleich fast von selbst. Sollte er aber nicht. Das eine Modell liest Dateien; das andere hört Menschen zu. Entscheide dich zuerst für die Uhr, dann streite über die Genauigkeit innerhalb dieses Rahmens.