
Scribe v3 Live Medical vs. Gemini 3.5 Transcribe Live: 12,8 % y 4,00 % no son el mismo número
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
Coloca el 12,8 % de Scribe v3 Live Medical junto al 4,00 % de Gemini 3.5 Transcribe Live y la cuestión de la transcripción en streaming parece resuelta a favor de Google por un factor de tres. No lo está, y la razón es lo más útil de esta página: esos dos números se midieron con audios distintos, por organizaciones distintas y con fines distintos. El 12,8 % es la tasa de error de palabras de ElevenLabs en PriMock57 —57 consultas simuladas de atención primaria grabadas, llenas de nombres de fármacos, dosis y frases a medio terminar—. El 4,00 % es la tasa de error de palabras en streaming de Artificial Analysis para Gemini 3.5 Transcribe Live en su entorno general de evaluación del habla, con 0,40 segundos hasta una transcripción final. Una es una consulta clínica; la otra es una suite de benchmarks. Compararlas es el mismo error que comparar el consumo de combustible de un coche en un circuito con su consumo en el tráfico urbano y concluir que el motor ha cambiado.
Si dejamos de lado la falsa comparación directa, queda una elección real, y tiene que ver con el despliegue más que con la precisión. Gemini 3.5 Transcribe Live es un modelo al que llamas: gemini-3.5-transcribe-live, un endpoint WebSocket con un precio por minuto publicado, un nivel gratuito y un límite de sesión de diez minutos. Scribe v3 Live Medical es un modelo al que no puedes llamar en absoluto: existe solo como una opción de ASR dentro de ElevenAgents, en acceso anticipado, sin ID de modelo y sin tarifa propia. Uno es infraestructura. El otro es una función de una plataforma de agentes. Cuál quieras depende de si estás creando un transcriptor o comprando un agente telefónico.
Lo que cada parte publica en realidad
El contraste de especificaciones, dimensión por dimensión, tal como lo declara cada proveedor:
• Acceso — Gemini 3.5 Transcribe Live es un endpoint WebSocket de Live API (gemini-3.5-transcribe-live) con un nivel gratuito; Scribe v3 Live Medical solo se puede seleccionar en la configuración de Reconocimiento automático del habla de un agente de ElevenAgents, y no a través de la API de Speech to Text.
• Precio — Gemini 3.5 Transcribe Live cuesta $3.50 por millón de tokens de entrada de audio y $21.00 por millón de tokens de salida de texto, lo que Google estima en $0.005 y $0.004 por minuto respectivamente, aproximadamente $0.009 por minuto combinado; Scribe v3 Live Medical no tiene un precio independiente y se incluye en la tarifa de ElevenAgents.
• Exactitud — Gemini: 4,00 % de WER en streaming a 0,40 s hasta el final, según Artificial Analysis; Scribe: 12,8 % de WER en PriMock57, ejecutado por el proveedor, frente a 15,5 %–17,2 % de cuatro modelos en tiempo real de la competencia.
• Adaptación al dominio — Gemini: sesgo de vocabulario personalizado en el modelo hermano por lotes, con diarización y marcas de tiempo por palabra descritas en la ficha de Gemini 3.5 Transcribe; Scribe: un ajuste fino clínico además de hasta 10.000 términos personalizados sin coste adicional.
• Idiomas — Gemini: más de 85 idiomas con cambio en mitad del flujo; Scribe: más de 90 idiomas, con mejoras médicas medidas en inglés, francés y alemán.
• Forma de la sesión — Gemini: una sesión de WebSocket limitada a diez minutos; Scribe: dura lo que dura la conversación del agente.
• Cumplimiento — Gemini: no encontramos posicionamiento médico ni de HIPAA en la documentación del modelo; Scribe: elegible para HIPAA con un BAA y Modo de Retención Cero, con una advertencia explícita de no enviar PHI al modelo en tiempo real de acceso anticipado hasta que se confirme su propia elegibilidad.
Dos de esas filas deciden la mayoría de las decisiones reales, y ninguna de ellas es la precisión. El límite de diez minutos es arquitectónico: cualquier sesión que dure más que una encuesta de centro de llamadas tiene que empalmarse, y la costura es tu problema. La ausencia de un precio para el modelo de ElevenLabs es la otra: no puedes incluirlo en una lista de precios, porque está dentro de una suscripción que también factura el LLM, la telefonía y la voz.

Convertir la fila de precisión en algo que puedas usar
Hay una manera legítima de comparar estos dos, y requiere ejecutarlos, que es exactamente de lo que los gráficos de marketing existen para librarte. Lo que puede decirse a partir de la evidencia publicada es más limitado:
En concreto, en las conversaciones clínicas, ElevenLabs tiene una cifra medida y Google no. Eso no es afirmar que Gemini 3.5 Transcribe Live sea malo con los nombres de medicamentos — es afirmar que nadie ha publicado una cifra equivalente a PriMock57 para él. El mecanismo de vocabulario personalizado de Google es la herramienta que ofrece exactamente para este problema, y el sesgo de vocabulario en el modelo por lotes está documentado; en el endpoint Live, la documentación es más escasa que en su hermano por lotes, y las funciones de diarización y marcas de tiempo por palabra descritas en la tarjeta compartida de Gemini 3.5 Transcribe no se confirman explícitamente por endpoint.
En audio conversacional general, Google tiene una cifra publicada de forma independiente y ElevenLabs tiene una elaborada por el propio proveedor. El 4,00 % procede de un rastreador con un arnés fijo y docenas de modelos; el 12,8 % procede de un único conjunto de 57 consultas que ElevenLabs eligió y ejecutó. Ambas son útiles. Ninguna resiste que se le reste la otra.
La versión práctica: si tu carga de trabajo consiste en llamadas clínicas, toma prestada una muestra de tus propias grabaciones al estilo PriMock57 —dos hablantes, un vademécum real en la sala, al menos un interlocutor leyendo en voz alta un ID de miembro— y ejecuta ambas. Si se trata de transcripción en streaming de propósito general con algo de jerga, la cifra publicada por Google es el punto de partida más auditable y su sesgo de vocabulario soportará la mayor parte de la carga del dominio.

La diferencia clínica está en las pausas, no en las palabras.
La función que ElevenLabs construyó y que la documentación de Google no describe es la predicción de turno. El modelo de turnos de Scribe v3 Live Medical usa el contexto de la conversación en lugar del silencio por sí solo para decidir que quien llama ha terminado, que es la diferencia entre un agente que responde después de «mi ID de miembro es 4-4-2» y uno que espera al último dígito. Los propios ejemplos de ElevenLabs son exactamente las cadenas que rompen la detección de fin de turno basada en silencio: identificadores de miembro, fechas de nacimiento, números de teléfono, dosis deletreadas.
Gemini 3.5 Transcribe Live lleva el mismo problema una capa más arriba en la pila. Su documentación lo describe como un modelo de transcripción en streaming bidireccional; dónde termina el turno lo decide el framework de agentes que se sitúe por encima, y la propuesta de agentes de voz de Google pasa por el manejo de turnos propio de la Live API, no por un modelo de turnos específico para transcripción. Es una arquitectura perfectamente válida y es distinta: la lógica de detección de fin de turno es tuya y la tendrás que ajustar. En una llamada clínica en la que un paciente hace una pausa a mitad de un síntoma para pensar, ese ajuste no es cosmético.
La comparación de costos, hecha con honestidad
El medidor de Google es lo bastante transparente como para basar una cifra en él. Tomemos una clínica que opera 40 horas de llamadas en vivo al día, 22 días al mes: 52.800 minutos. Con el estimado de $0,009 por minuto combinado, eso supone unos $475 al mes por el componente de transcripción, y es una partida que puedes pronosticar, limitar y discutir en la renovación.
El lado de ElevenLabs no produce una cifra comparable, y cualquiera que cite una está adivinando. El punto de referencia publicado más cercano es la lista de precios de la API: Scribe v3 Live a $0.22 por hora y el prompting de términos clave a $0.08 por hora, pero Scribe v3 Live Medical no se vende así. Está dentro de ElevenAgents, con precio por minuto de conversación, y la conversación incluye los tokens del LLM, la síntesis de voz y la telefonía. Ese empaquetamiento es un descuento o una dependencia del proveedor, según lo que habrías montado de otro modo, y no se puede resolver desde una página de precios.
Una cosa que sí se traslada: si acabas ejecutando ambos — Google para la transcripción, un LLM de tu elección para el razonamiento — la segunda etapa es donde viven las decisiones de enrutamiento. OrcaRouter sirve 215 modelos tras una única API compatible con OpenAI con un 0 % de margen, con los precios de lista de los proveedores transferidos sin cambios, de modo que el modelo que lee la transcripción de Gemini se puede sustituir o conmutar a otro sin tocar el código de ASR. No servimos ninguno de los dos modelos de transcripción en esta página, y nada de lo anterior es nuestro precio.

¿Cuál elegir?
Elige Gemini 3.5 Transcribe Live si vas a construir el producto en lugar de comprarlo. Es el único de los dos que es un modelo invocable con un precio publicado, un nivel gratuito para evaluación y un endpoint que puedes situar detrás de tu propio bucle de agente. El límite de sesión de diez minutos es la restricción en torno a la cual debes diseñar, y la ausencia de un benchmark clínico es la brecha que debes cerrar con tu propio audio y una lista de vocabulario personalizada.
Elige Scribe v3 Live Medical si ya has decidido que el agente es responsabilidad de ElevenLabs, y si tu postura de cumplimiento te permite usar un modelo de acceso anticipado para PHI —algo que la documentación actualmente dice que no permite— hasta que se confirme la elegibilidad. El ajuste fino clínico y el modelo de turnos son ventajas reales en una llamada en vivo con un paciente, y la brecha de PriMock57 frente a los modelos en tiempo real de la competencia es la evidencia publicada más sólida de que la adaptación clínica sirve de algo. Simplemente no es evidencia sobre Gemini, y Gemini no es evidencia sobre ello.
El número que hay que vigilar no es ninguno de los dos WER. Es si Scribe v3 Live Medical llega alguna vez a tener un ID de modelo propio. El día que lo haga, esta comparación se convierte en una normal —dos endpoints invocables, dos medidores, un benchmark que puedes ejecutar— y el 12.8% se convierte en algo que un comprador puede comprobar de verdad.
Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
