
Scribe v3 Live Medical vs. Whisper Large v3 Turbo: Das Modell, das Sie nicht mieten können, vs. das, das Sie selbst besitzen können
- 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
Whisper Large v3 Turbo ist ein Modell mit 809 Millionen Parametern unter der MIT-Lizenz, das man herunterladen, auf etwa 1,6 GB quantisieren und auf einer einzigen bescheidenen GPU mit etwa achtmal der Geschwindigkeit von Whisper Large v3 laufen lassen kann. Scribe v3 Live Medical ist ein klinisches Fine-Tuning von ElevenLabs, das man weder herunterladen noch über eine API aufrufen noch überhaupt erhalten kann, es sei denn, man betreibt einen Agenten innerhalb von ElevenAgents. Beide in denselben Satz zu setzen, ist seltsam, bis einem auffällt, dass sie in einer echten Entscheidung denselben Platz einnehmen: Beide sind das, wonach man greift, wenn ein Allzweck-Transkribierer „empagliflozin“ immer wieder verhunzt, und nur eines davon steht den meisten Teams zur Verfügung.
Das ist der eigentliche Vergleich. Nicht Genauigkeit – die beiden Zahlen stimmen nicht überein –, sondern Verfügbarkeit, und was die offene Basis Sie an Engineering kostet, um eine Lücke zu schließen, für die ein Anbieter Ihnen keine geschlossene Lösung verkauft.
Die Elf-Wort-Fassung davon, warum dies kein Benchmark-Kampf ist
Die von ElevenLabs veröffentlichte Zahl für Scribe v3 Live Medical ist eine Wortfehlerrate von 12,8 % auf PriMock57, 57 simulierten Konsultationen in der Primärversorgung, gegenüber 15,5 % bis 17,2 % bei vier konkurrierenden Echtzeit-Modellen für Medizin und Allgemeines. Die veröffentlichten Werte von Whisper Large v3 Turbo sind 2,1 % auf LibriSpeech test-clean und 4,2 % auf test-other — vorgelesene englischsprachige Hörbuchsprache, ein Korpus, der seit Jahren der offene Standard-Benchmark ist und etwa so weit von einem Telefonat über ein Rezept entfernt ist, wie Audio nur sein kann.
Unter LibriSpeech-Bedingungen schlägt ein offenes 809M-Modell ein klinisches Fine-Tuning um Längen. In einer echten Konsultation mit einem schlechten Headset sind beide Zahlen Rauschen. Keine der beiden Größen sagt die andere voraus, und wer sie nebeneinanderstellt und einen Sieger verkündet, vergleicht eine Reinraum-Messung eines Batch-Modells mit einer vom Anbieter durchgeführten Messung eines Streaming-Modells. Die ehrliche Einordnung ist, dass das medizinische Fine-Tuning einen Vorteil gegenüber anderen Echtzeitmodellen bei klinischem Audio beansprucht und Whisper einen Vorteil gegenüber anderen offenen Modellen bei sauberer vorgelesener Sprache, und keiner der beiden Ansprüche berührt den anderen.
Was Whisper Large v3 Turbo tatsächlich ist – und was nicht
OpenAIs Destillation von Whisper Large v3, im Oktober 2024 unter der MIT-Lizenz veröffentlicht: 32 Encoder-Schichten und 4 Decoder-Schichten, reduziert von 32 – daher kommt die Geschwindigkeit. Es läuft in faster-whisper-, whisper.cpp-, ONNX- und GGUF-Builds, lässt sich so stark quantisieren, dass es auf einen Laptop passt, deckt 99 Sprachen ab und verursacht keine Lizenzkosten, egal ob Sie es auf einer GPU oder einem Rack betreiben.
Was es nicht ist – und dies ist die Liste, die für einen klinischen Agenten zählt:
• Es streamt nicht. Whispers Architektur basiert auf einem festen 30-Sekunden-Fenster, daher bedeutet „Echtzeit“, Audio in Blöcke zu unterteilen und erneut auszuführen, wobei man für die Überlappung bezahlt und akzeptiert, dass das Transkript der Sprache um genau die Menge hinterherhinkt, die man puffert. Es gibt keinen nativen Stream für Teilresultate und keine Turn-Erkennung.
• Es nimmt keine Sprechertrennung vor. Ein einziger Wortstrom, ohne Konzept davon, wer was gesagt hat. Bei einem Gespräch zwischen zwei Personen, in dem sowohl die Patientin bzw. der Patient als auch die Klinikerin bzw. der Kliniker Arzneimittel benennen, hängen Sie ein separates Sprecherkennzeichnungsmodell an oder Sie akzeptieren ein nicht gekennzeichnetes Transkript.
• Es formatiert nicht. Interpunktion und Groß-/Kleinschreibung kommen so heraus, wie das Audio sie hervorgebracht hat, samt allen Unflüssigkeiten. Keine Auflösung von Selbstkorrekturen, keine Großschreibung am Satzanfang, keine Struktur einer klinischen Notiz.
• Es ist nicht für Übersetzung trainiert und hat keinen Domänen-Bias-Mechanismus. Es gibt keine Schlüsselbegriffsliste, mit der man ihm das Formularium übergeben könnte, und keinen Prompt, der ihm sagt, dass es sich um ein kardiologisches Gespräch handelt. Entweder führen Sie ein Fine-Tuning durch, oder Sie bearbeiten nach, oder Sie akzeptieren die Fehler.
Scribe v3 Live Medical hingegen ist fast vollständig aus genau diesen vier fehlenden Dingen aufgebaut: Es streamt, es verfügt über eine Turn-Prediction, die eine Member-ID abwartet, es unterstützt bis zu 10.000 benutzerdefinierte klinische Begriffe kostenlos, und es ist ein Fine-Tuning eines Modells, das auf Gesprächen statt auf Hörbüchern trainiert wurde. ElevenLabs ist offen darüber, wo das endet – isolierte Arzneimittelnamen ohne umgebenden Kontext sind für jedes Modell der schwierigste Fall, und die Empfehlung lautet, Keyterms zu verwenden, um in Richtung dessen zu gewichten, was man erwartet.

Der technische Aufwand, die Lücke selbst zu schließen
Hier wird der Vergleich zu einer Tabellenkalkulation statt zu einer Bestenliste. Ein Team, das möchte, dass sich Whisper Large v3 Turbo wie ein klinischer Echtzeit-Transkriptor verhält, muss vier Dinge aufbauen:
• Ein Streaming-Wrapper – gestückeltes Audio, überlappende Fenster, das Zusammenführen von Teilhypothesen und eine eigene Endpointing-Regel, denn Whisper liefert Ihnen keine. Rechnen Sie damit, dass Sie tatsächlich Zeit für die Behandlung der Nahtstellen aufwenden werden; dort bekommen die meisten selbstgebauten Sprachagenten ihre schlimmste Latenz.
• Ein Vokabularmechanismus – Whisper hat keinen. Entweder stimmen Sie das Modell auf Ihren eigenen klinischen Audiodaten fein ab, wofür Sie gelabelte Daten benötigen, die Sie wahrscheinlich nicht haben, oder Sie korrigieren nachträglich anhand einer Arzneimittelnamenliste – ein Fuzzy-Matching-Problem, das seine eigene Klasse selbstsicherer Fehler erzeugt.
• Ein Diarisierungsdurchlauf – ein zweites Modell, ein zweites Latenzbudget und ein Zusammenführungsschritt, der die Sprecherwechsel mit Whispers Wortzeitangaben abgleichen muss.
• Infrastruktur — GPUs, Autoscaling, eine Warteschlange für den Batch-Pfad und jemand in Rufbereitschaft, wenn die Maschine, die 40 Stunden am Tag transkribiert, um 2 Uhr nachts ausfällt.
Nichts davon ist unüberwindbar. All das ist Arbeit, die ein Managed-Clinical-Modell übernommen hätte, und die ehrliche Frage ist, ob die Zeit Ihres Teams dort besser investiert ist oder in das klinische Produkt selbst. Für eine Forschungsgruppe oder ein Plattformteam, das bereits Inferenzinfrastruktur betreibt, lautet die Antwort oft ja – deshalb wurde Whisper überhaupt erst zum Standard. Für ein fünfköpfiges Digital-Health-Startup, dessen Alleinstellungsmerkmal der Pflegekraft-Workflow ist, lautet sie meist nein.
Die Lizenz ist der eigentliche Vorteil, und das ist kein kleiner.
Whispers MIT-Lizenz bedeutet: kein Anbieter, keine Verbrauchsmessung, keine Gebühr pro Minute, die mit dem Anrufvolumen wächst, und keine Vorgabe, dass Patientenaudio Ihr Netzwerk verlassen muss. Für eine Covered Entity ist dieser letzte Punkt kein Nice-to-have. Eine selbst gehostete Whisper-Bereitstellung in Ihrem eigenen VPC ist eine Compliance-Argumentation, die Ihr Sicherheitsteam bereits zu genehmigen weiß: PHI überschreitet nie eine Anbietergrenze, die Log-Aufbewahrung legen Sie selbst fest, und es gibt kein Business Associate Agreement auszuhandeln.
Dem steht gegenüber, dass die ElevenLabs-Dokumentation derzeit etwas sagt, was ein Compliance-Beauftragter zweimal lesen wird: Senden Sie keine geschützten Gesundheitsinformationen an Scribe v3 Live Medical, bis die HIPAA-Eignung für das Modell bestätigt ist, und EU-Datenresidenz ist während des Early Access nicht verfügbar. Die allgemeine Aussage auf der Seite zur medizinischen Transkription – HIPAA-berechtigt für Enterprise-Kunden mit einem BAA und Zero Retention Mode – beschreibt die Plattform und das allgemein verfügbare medizinische Produkt Scribe v2 Medical. Für das Echtzeitmodell im Early Access ist die Warnung der maßgebliche Satz.
Die offene Baseline gewinnt den Compliance-Vergleich heute also klar – aus einem Grund, der nichts mit Genauigkeit zu tun hat und alles mit Papierkram, der noch nicht fertig ist.
Grenzkosten bei drei verschiedenen Mengen
Whisper verursacht Hardwarekosten und hat keinen Zähler. Lässt man es auf einer GPU laufen, die man bereits besitzt, nähert sich der Grenzpreis einer transkribierten Minute dem Strompreis; mietet man eine, ist es die Instanzrate geteilt durch den Durchsatz, was auf modernen Serving-Stacks wenige Cent pro Audiostunde sind. Bei tausend Stunden im Monat deckt eine einzelne gemietete GPU die Last mit Reserve ab.
Scribe v3 Live Medical verursacht keine Grenzkosten für die Berechnung, da es nicht minutenweise verkauft wird – es ist Teil eines ElevenAgents-Abonnements, das pro Gesprächsminute abgerechnet wird und das LLM, die Telefonie und die Stimme umfasst. Die API-Ankerpreise von ElevenLabs für die Modelle, die Sie tatsächlich messen können, liegen bei 0,22 US-Dollar pro Stunde für Scribe v3 Live und 0,20 US-Dollar pro Stunde für Scribe v2 Medical, mit Echtzeit-Keyterm-Prompting für 0,08 US-Dollar pro Stunde.
Bei zehn Stunden pro Monat ist der Managed-Weg offensichtlich günstiger: keine GPU zu kaufen, keine Pipeline zu warten, und das Abonnement enthält den Agenten. Bei zehntausend Stunden pro Monat ist selbst gehostetes Whisper günstiger als jeder jemals veröffentlichte Minutenpreis, und kein Anbieter wird jemals die Grenzkosten Ihrer eigenen Hardware unterbieten, auf der MIT-Gewichte laufen. Der Wendepunkt liegt, wie immer, dort, wo Ihr Ingenieursgehalt geteilt durch die eingesparten Stunden unter dem Minutenpreis landet – und für ein kleines klinisches Team liegt er später, als die Tabelle vermuten lässt, weil die Pipeline, die Sie bauen, eine Pipeline ist, die Sie für immer warten.

Wo ein Router passt – präzise
Whisper liefert Ihnen Text; irgendetwas muss ihn noch lesen und darauf reagieren. In einem klinischen Workflow ist das ein zweites Modell – das die Notiz entwirft, die Medikamentenliste extrahiert und entscheidet, ob der Anruf eine Pflegekraft erfordert – und es ist der Teil, der mit der Gesprächslänge statt mit der Audiolänge skaliert. OrcaRouter bietet 215 Modelle hinter einer einzigen OpenAI-kompatiblen API mit 0 % Aufschlag, die Listenpreise der Anbieter werden unverändert weitergegeben, mit automatischem Failover, sodass dieses Reasoning-Modell ein kleines, schnelles für Antworten im laufenden Gespräch und ein größeres für die Notiz am Gesprächsende sein kann – mit demselben Schlüssel.
Machen wir die Grenzen klar: Wir hosten weder Whisper Large v3 Turbo noch Scribe v3 Live Medical noch irgendein ElevenLabs-Modell. Selbst gehostetes Whisper läuft auf Ihrer GPU; das medizinische Modell von ElevenLabs läuft auf deren Plattform. Was wir routen, ist die Ebene über beiden.

Welche, für welches Team
Nimm Whisper Large v3 Turbo, wenn einer der folgenden Punkte zutrifft: Du musst sicherstellen, dass das Transkript in deinem eigenen Perimeter bleibt, du transkribierst aufgezeichnetes Audio statt Live-Anrufe, dein Volumen ist hoch genug, dass eine minutengenaue Abrechnung der dominierende Kostenfaktor ist, oder du hast die Engineering-Kapazität, die Streaming-, Diarisierungs- und Vokabular-Ebenen selbst zu bauen. Bei aufgezeichnetem klinischem Audio – diktierten Notizen, die nach dem Termin geprüft werden – ist Whisper plus ein Nachkorrektur-Durchlauf für Arzneimittelnamen eine wirklich starke und wirklich günstige Lösung, und seine MIT-Lizenz erspart eine ganze Kategorie von Beschaffungsdiskussionen.
Nehmen Sie Scribe v3 Live Medical, wenn das Audio live ist, das Vokabular klinisch ist und der Agent ohnehin von ElevenLabs sein wird. Die Turn-Vorhersage und das Budget von 10.000 Begriffen sind Dinge, die Sie sonst selbst bauen würden; das Ergebnis von 12,8 % auf PriMock57 stammt vom Anbieter selbst, aber die Richtung deckt sich mit dem, was jeder klinische ASR-Anbieter berichtet, und die Plattform übernimmt die Infrastruktur. Warten Sie dann mit PHI ab, bis die Early-Access-Warnung von der Dokumentationsseite verschwindet.
Wenn Sie völlig außerhalb von ElevenAgents stehen — was auf die meisten Leser dieses Textes zutrifft —, dann ist die eigentliche Wahl die zwischen Whisper und einem aufrufbaren medizinischen Modell wie Scribe v2 Medical, für 0,20 US-Dollar pro Stunde und mit 15 % weniger Fehlern als Scribe v2 bei klinischem Testaudio. Scribe v3 Live Medical ist auf dem Papier das bessere Modell. Es wird schlicht nicht angeboten, und ein Modell, das man nicht betreiben kann, ist kein Konkurrent für eines, das man betreiben kann.
