Tarjeta de título que dice «Scribe v3 Live Medical vs GPT Transcribe» con el subtítulo «dos relojes diferentes». Debajo, una línea de tiempo de dos carriles: el carril superior, etiquetado «durante la llamada», muestra una forma de onda en vivo que alimenta una transcripción que crece palabra por palabra; el carril inferior, etiquetado «después de la llamada», muestra un archivo de audio terminado que alimenta una transcripción completa en un solo bloque.
Guides & Insights

Scribe v3 Live Medical vs GPT Transcribe: Dos relojes diferentes

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Estos dos modelos no son competidores, y la forma más rápida de desperdiciar un trimestre es tratarlos como si fueran uno solo. GPT Transcribe es el modelo de transcripción de voz a texto sin conexión de OpenAI: envías un archivo de audio terminado al endpoint de transcripciones y recibes una transcripción completa y con formato. No puede escuchar una llamada en curso —la propia documentación de OpenAI lo dice explícitamente y remite a quien necesite transmisión en streaming a gpt-live-transcribe o gpt-realtime-whisper en su lugar. Scribe v3 Live Medical tiene la forma opuesta: un ajuste fino clínico en tiempo real que solo existe dentro de ElevenAgents, que transcribe llamadas de pacientes, miembros y proveedores mientras quien llama sigue en la línea, para que un agente pueda reaccionar a una dosis antes de que la frase haya terminado.

Así que la pregunta honesta no es qué modelo es mejor. Es en qué reloj funciona tu flujo de trabajo. Si una persona o un modelo tiene que actuar durante la conversación —responder una pregunta, consultar un beneficio, detectar una contraindicación—, GPT Transcribe queda descartado antes de que empiece cualquier comparación de precisión, y la única opción de OpenAI en esa vía cuesta 3,8 veces más por minuto. Si la transcripción es un documento producido a posteriori, Scribe v3 Live Medical es inutilizable por una razón completamente distinta: no tiene API, ni ID de modelo, ni precio, y no se puede llamar desde nada que no sea un agente de ElevenAgents.

El reloj con el que funciona cada uno

La tarifa de GPT Transcribe es de $0.0045 por minuto, o $0.27 por hora de audio, y sus restricciones son las restricciones de un archivo: el endpoint de transcripción de OpenAI acepta hasta 25 MB por solicitud, y el modelo devuelve una transcripción con indicaciones de idioma aplicadas. No hay resultado parcial, porque no hay nada que pueda ser parcial. Para una visita grabada, una nota dictada o un lote de llamadas archivadas, esta es exactamente la forma correcta y es una de las maneras más económicas de extraer palabras del audio.

La vía de streaming de OpenAI es una línea de productos distinta con una tarifa distinta: gpt-live-transcribe cobra $0.017 por minuto, alrededor de $1.02 por hora de audio. Ese es el precio del reloj — 3.8 veces la tarifa por lotes para la transcripción del mismo proveedor, antes de cualquier discusión sobre precisión. También es donde realmente reside la competencia de transcripción en tiempo real de OpenAI, y si estás comparando transcripción en vivo con transcripción en vivo, ese es el modelo con el que debes contrastar Scribe v3 Live, no GPT Transcribe.

El reloj de Scribe v3 Live Medical es la duración de una conversación dentro de ElevenAgents. No hay archivo. Hay un flujo con forma de WebSocket que gestiona la plataforma, un modelo de turnos que decide cuándo un interlocutor ha terminado de hablar y una transcripción que el agente consume para actuar. ElevenLabs no publica una cifra de latencia para la variante médica; la cifra de la familia es que Scribe v3 Live tiene una tasa de error semántico de palabras un 44 % menor que Scribe v2 Realtime, cuyo tiempo medio hasta la transcripción confirmada es de alrededor de 150 ms. ElevenLabs afirma que el ajuste fino médico iguala a Scribe v3 Live en latencia.

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'.

Precisión: una cifra auditada, una cifra del proveedor, sin solapamiento

GPT Transcribe tiene una tasa de error de palabras pública y medida de forma independiente: 3,31 % en el benchmark AA-WER de Artificial Analysis, lo que lo situó en noveno lugar entre unos cincuenta sistemas monitoreados en el momento de su lanzamiento en julio de 2026, con subpuntuaciones de 2,22 % en audio de conversaciones de agentes, 2,72 % en VoxPopuli y 6,10 % en llamadas de resultados. La dispersión dentro de esa única cifra es lo interesante: las llamadas de resultados, con sus acentos, solapamiento de voces y jerga del sector, son casi tres veces más difíciles para él que el habla limpia de agentes. Una consulta clínica se sitúa en algún punto de esa dispersión, y nadie ha medido dónde.

La cifra de Scribe v3 Live Medical es una tasa de error de palabras del 12,8 % en PriMock57, el conjunto de 57 consultas simuladas de atención primaria elegido por ElevenLabs, frente al 15,5 % al 17,2 % de cuatro modelos en tiempo real de la competencia en la misma ejecución del proveedor. No es comparable con el 3,31 % en ningún sentido, y no solo por el corpus: las dos cifras provienen de distintos arneses de evaluación, distintas condiciones de audio y, algo crítico, distintas latencias. Un modelo por lotes puede examinar el archivo completo; un modelo de streaming decide sin saber qué viene después. El WER de streaming es sistemáticamente peor que el WER por lotes con el mismo audio, por lo que Artificial Analysis publica ambos en tablas independientes.

La afirmación defendible: GPT Transcribe es un modelo por lotes bien medido, con cifras en la parte baja de un solo dígito en habla general; Scribe v3 Live Medical es un modelo de streaming medido por el proveedor que supera a sus pares en tiempo real en audio clínico por unos tres puntos; y no existe ningún experimento público que los ponga en la misma grabación.

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.'

La adaptación de dominio, que es donde radica la verdadera diferencia.

El vocabulario clínico es la razón de ser del modelo de ElevenLabs, y aborda el problema por dos vías: un ajuste fino entrenado hacia nombres de medicamentos, anatomía y patología, y un mecanismo de términos clave que acepta hasta 10.000 términos personalizados —un vademécum, una lista de proveedores, un diccionario de especialidades— incluidos sin coste adicional. ElevenLabs es honesto sobre el límite, en sus propias preguntas frecuentes: el modelo aplica un término solo cuando el audio es una coincidencia probable, y los nombres de medicamentos aislados sin contexto son el caso más difícil para cualquier modelo. Su transcripción de ejemplo se construye a partir de la forma más fácil: un nombre de medicamento dentro de una frase con una dosis adjunta.

El enfoque de OpenAI se basa en instrucciones en lugar de ajuste fino. GPT Transcribe acepta listas de palabras clave y un prompt de formato libre que describe de qué trata el audio, y en el lado en tiempo real el modelo conserva los turnos transcritos anteriores como contexto. La propia medición de OpenAI de ese condicionamiento, en su benchmark Context Aware ASR, elevó la precisión semántica del 38,5 % al 44,6 % para el modelo en vivo: una cifra reportada por el proveedor, que mide si el significado se mantuvo en lugar de si las palabras eran correctas.

El compromiso práctico, y es real: un modelo condicionado por el prompt puede ser drásticamente mejor que su benchmark en bruto cuando le dices qué esperar, y puede alucinar las palabras clave que le proporcionaste. Pon «metformin» en el prompt y un modelo que no puede oír la palabra con claridad puede producirla de todos modos. Un modelo con sesgo hacia palabras clave se degrada con más elegancia, porque el sesgo desplaza la probabilidad en lugar de afirmar la presencia. Ninguno de los dos modos de fallo aparece en una tabla de clasificación. Ambos aparecen en notas clínicas, donde una dosis alucinada es peor que un espacio en blanco.

La cuestión del cumplimiento se decide por la forma, no por el cuadro de indicadores.

Para una entidad cubierta, esta es la sección que realmente pone fin a la evaluación. ElevenLabs afirma que Scribe v2 Medical —la variante por lotes, la que se puede invocar mediante la API— es elegible para HIPAA con un Acuerdo de Asociado Comercial y el Modo de Retención Cero, y que, con ZRM habilitado, el audio y la transcripción no se conservan después del procesamiento. Su documentación añade una advertencia más firme para el modelo en tiempo real de acceso anticipado: no envíe información de salud protegida a Scribe v3 Live Medical hasta que se confirme su elegibilidad para HIPAA, y la residencia de datos en la UE no está disponible durante el acceso anticipado. Esas dos afirmaciones coexisten en el sitio de ElevenLabs y no son la misma afirmación.

En el lado de OpenAI, el endpoint de transcripción es una API empresarial estándar con la postura habitual de manejo de datos; no se vende como producto clínico y no incluye ningún ajuste fino médico. Lo que sí ofrece es la ventaja práctica de ser un modelo por lotes: la PHI sale de tu perímetro una vez, en un archivo que tú eliges, durante un tiempo que conoces, y vuelve como texto que tú mismo almacenas. No hay ningún flujo persistente que considerar.

Esa asimetría apunta en una dirección inesperada. Es más fácil lograr que un pipeline por lotes cumpla la normativa precisamente porque tiene menos partes móviles, y si su flujo de trabajo clínico tolera unos minutos de retraso —documentación ambiental revisada después de la visita, una nota redactada para que la firme un clínico—, GPT Transcribe con un prompt cuidadoso y una lista de palabras clave es un caso de cumplimiento más sencillo que un modelo en tiempo real de acceso anticipado que aún no es apto para PHI.

Costo por mil llamadas, ambas formas

Mil llamadas clínicas de diez minutos son 10,000 minutos. En GPT Transcribe eso son $45. En la vía en vivo de OpenAI son $170. En Scribe v3 Live Medical no hay un número que calcular, porque el modelo está dentro de una suscripción de ElevenAgents con precio por minuto de conversación, incluido junto con el LLM, la síntesis de voz, la telefonía y la toma de turnos. Que ese paquete sea más barato que $45 más tu propio stack de agentes depende enteramente de cuánto cueste tu propio stack de agentes, y el precio de ElevenLabs no se puede descomponer en una línea de ASR.

Lo que se puede descomponer es la parte del razonamiento, y es la que escala con la duración de la llamada y no con la del audio. Un agente clínico que lee una transcripción y decide algo llama a un LLM en cada turno; OrcaRouter sirve 215 modelos tras una única API compatible con OpenAI con un 0 % de recargo, con los precios de lista de los proveedores trasladados sin cambios, de modo que el modelo que hay detrás de cualquiera de los transcriptores se puede cambiar o dotar de conmutación automática por error sin tocar la ruta de audio. No servimos Scribe v3 Live Medical ni ningún modelo de transcripción de OpenAI, y ninguna de las tarifas citadas arriba es nuestra.

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.

Cómo decidir

Si la transcripción tiene que existir mientras quien llama sigue hablando, GPT Transcribe es el modelo equivocado y la comparación honesta es con el endpoint en vivo de OpenAI a $0,017 por minuto. Ve a ElevenAgents si quieres un ajuste fino clínico con detección de turnos y aceptas la postura de cumplimiento de acceso anticipado; ve al carril en vivo de OpenAI si quieres un endpoint invocable, un precio publicado y condicionamiento por contexto, y estás dispuesto a probar la alucinación con tu propio vademécum.

Si la transcripción es un documento, esto no está ni cerca. GPT Transcribe es más barato, está evaluado de forma independiente, se puede usar hoy y tiene licencia exactamente para el flujo de trabajo de archivo de entrada y texto de salida que usted tiene. La propia respuesta de ElevenLabs en ese terreno es Scribe v2 Medical a $0.20 por hora, con un 15% menos de errores que Scribe v2 en audio de pruebas clínicas: un competidor real, y distinto del modelo de este título.

La trampa en esta comparación es que ambos nombres contienen la palabra transcribe y ambos proveedores publican una tasa de error de palabras, así que la comparación se escribe sola. No debería. Un modelo lee archivos; el otro escucha a personas. Primero elige el reloj; luego discute la precisión dentro de él.