
Scribe v3 Live Medical vs Whisper Large v3 Turbo: el modelo que no puedes alquilar frente al que sí puedes poseer
- 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
Whisper Large v3 Turbo es un modelo de 809 millones de parámetros bajo la licencia MIT que puedes descargar, cuantizar a aproximadamente 1,6 GB y ejecutar en una única GPU modesta a unas ocho veces la velocidad de Whisper Large v3. Scribe v3 Live Medical es un ajuste fino clínico de ElevenLabs que no puedes descargar, no puedes llamar mediante una API y no puedes obtener en absoluto a menos que estés ejecutando un agente dentro de ElevenAgents. Ponerlos en la misma frase es extraño hasta que te das cuenta de que ocupan la misma posición en una decisión real: ambos son a lo que recurres cuando un transcriptor de propósito general sigue destrozando «empagliflozin», y solo uno de ellos está disponible para la mayoría de los equipos.
Esa es la comparación real. No la precisión —las dos cifras no coinciden—, sino la disponibilidad, y lo que te cuesta en ingeniería la base abierta para cerrar una brecha para la que un proveedor no te venderá una solución cerrada.
La versión en once palabras de por qué esto no es una pelea de benchmarks
La cifra publicada por ElevenLabs para Scribe v3 Live Medical es una tasa de error de palabras del 12,8 % en PriMock57, 57 consultas simuladas de atención primaria, frente al 15,5 % al 17,2 % de cuatro modelos competidores en tiempo real, médicos y generales. Las cifras publicadas de Whisper Large v3 Turbo son del 2,1 % en LibriSpeech test-clean y del 4,2 % en test-other — habla de audiolibros en inglés, un corpus que ha sido el benchmark abierto estándar durante años y que está aproximadamente tan lejos de una llamada telefónica sobre una receta como puede estarlo el audio.
En condiciones de LibriSpeech, un modelo abierto de 809M supera por un amplio margen a un ajuste fino clínico. En una consulta real con unos auriculares malos, ambas cifras son ruido. Ninguna de las dos cifras predice la otra, y quien las ponga una al lado de la otra y anuncie un ganador está comparando una medición en sala limpia de un modelo por lotes con una medición realizada por el proveedor de uno en streaming. La formulación honesta es que el ajuste fino médico afirma tener ventaja sobre otros modelos en tiempo real en audio clínico, y Whisper afirma tener ventaja sobre otros modelos abiertos en habla leída limpia, y ninguna de las dos afirmaciones tiene relación con la otra.
Qué es realmente Whisper Large v3 Turbo y qué no es
La destilación de Whisper Large v3 por parte de OpenAI, publicada bajo licencia MIT en octubre de 2024: 32 capas de codificador y 4 capas de decodificador, frente a las 32 originales, y de ahí proviene su velocidad. Se ejecuta en compilaciones de faster-whisper, whisper.cpp, ONNX y GGUF, se cuantiza hasta ser lo bastante pequeño para un portátil, cubre 99 idiomas y no cuesta nada en concepto de licencias, tanto si lo ejecutas en una GPU como en un rack.
Lo que no es, y esta es la lista que importa para un agente clínico:
• No hace streaming. La arquitectura de Whisper está construida en torno a una ventana fija de 30 segundos, así que «tiempo real» significa fragmentar el audio y volver a ejecutarlo, pagando por el solapamiento y aceptando que la transcripción va por detrás del habla en toda la cantidad que se almacene en búfer. No hay un flujo nativo de resultados parciales ni detección de turnos.
• No realiza diarización. Un único flujo de palabras, sin concepto de quién dijo qué. Para una consulta entre dos personas en la que tanto el paciente como el clínico nombran medicamentos, hay que añadir un modelo independiente de etiquetado de hablantes o aceptar una transcripción sin etiquetar.
• No formatea. La puntuación y el uso de mayúsculas aparecen tal como los produjo el audio, incluidas las disfluencias. Sin resolución de autocorrecciones, sin mayúsculas al inicio de oraciones, sin estructura de nota clínica.
• No está entrenado para traducir y no tiene ningún mecanismo de sesgo por dominio. No hay una lista de términos clave para darle el formulario, ni un prompt que le indique que se trata de una llamada de cardiología. O lo ajustas finamente, o lo posprocesas, o aceptas los errores.
Scribe v3 Live Medical, en cambio, está construido casi por completo a partir de esas cuatro cosas que faltaban: funciona en streaming, tiene predicción de turnos que espera a que se complete un ID de miembro, admite hasta 10.000 términos clínicos personalizados sin costo y es un ajuste fino de un modelo entrenado con conversaciones en lugar de audiolibros. ElevenLabs es franco sobre hasta dónde llega eso: los nombres de medicamentos aislados, sin contexto alrededor, son el caso más difícil para cualquier modelo, y el consejo es usar keyterms para inclinar la balanza hacia lo que esperas.

El costo de ingeniería de cerrar la brecha por tu cuenta
Aquí es donde la comparación se convierte en una hoja de cálculo en lugar de una tabla de clasificación. Un equipo que quiera que Whisper Large v3 Turbo se comporte como un transcriptor clínico en tiempo real tiene que construir cuatro cosas:
• Un envoltorio de streaming: audio por fragmentos, ventanas superpuestas, fusión de hipótesis parciales y una regla de detección de fin de turno propia, porque Whisper no te ofrece ninguna. Prepárate para dedicar tiempo real al tratamiento de las costuras; es ahí donde la mayoría de los agentes de voz caseros obtienen su peor latencia.
• Un mecanismo de vocabulario: Whisper no tiene ninguno. O ajustas el modelo con tu propio audio clínico, lo que requiere datos etiquetados que probablemente no tengas, o aplicas una corrección posterior contra una lista de nombres de fármacos, lo cual es un problema de coincidencia difusa que genera su propia clase de errores con alta confianza.
• Una pasada de diarización — un segundo modelo, un segundo presupuesto de latencia y un paso de fusión que tiene que alinear los turnos de hablante con los tiempos de palabra de Whisper.
• Infraestructura: GPUs, escalado automático, una cola para el flujo por lotes y alguien de guardia para cuando la máquina que transcribe 40 horas al día se caiga a las 2 de la madrugada.
Nada de eso es prohibitivo. Todo es trabajo que un modelo clínico gestionado habría absorbido, y la pregunta honesta es si el tiempo de tu equipo se aprovecha mejor ahí o en el propio producto clínico. Para un grupo de investigación o un equipo de plataforma que ya ejecuta infraestructura de inferencia, la respuesta suele ser sí —por eso Whisper se convirtió en la opción predeterminada desde el principio—. Para una startup de salud digital de cinco personas cuyo diferenciador es el flujo de trabajo de enfermería, por lo general es no.
La licencia es la verdadera ventaja, y no es pequeña.
La licencia MIT de Whisper significa que no hay proveedor, ni medidor, ni tarifa por minuto que aumente con el volumen de llamadas, y no se exige que el audio de los pacientes salga de su red. Para una entidad cubierta, ese último punto no es un simple beneficio opcional. Una implementación autoalojada de Whisper dentro de su propia VPC es una historia de cumplimiento que su equipo de seguridad ya sabe cómo aprobar: la PHI nunca cruza los límites de un proveedor, la retención de registros queda a su criterio y no hay ningún Acuerdo de Asociado Comercial que negociar.
Frente a eso, la documentación de ElevenLabs dice actualmente algo que un responsable de cumplimiento leerá dos veces: no envíe información de salud protegida a Scribe v3 Live Medical hasta que se confirme la elegibilidad para HIPAA del modelo, y la residencia de datos en la UE no está disponible durante el acceso anticipado. La declaración general de la página de transcripción médica —elegible para HIPAA para clientes Enterprise con un BAA y Zero Retention Mode— describe la plataforma y el producto médico de disponibilidad general, Scribe v2 Medical. Para el modelo en tiempo real de acceso anticipado, la advertencia es la frase operativa.
Así que la línea base abierta gana hoy la comparación de cumplimiento de forma contundente, por una razón que no tiene nada que ver con la precisión y sí mucho con papeleo que no está terminado.
Costo marginal, en tres volúmenes diferentes
Whisper tiene un coste de hardware y ningún medidor. Ejecútalo en una GPU que ya tengas y el coste marginal de un minuto transcrito se acerca al de la electricidad; alquila una y será la tarifa de la instancia dividida por el rendimiento, que en los stacks de servicio modernos es unos pocos céntimos por hora de audio. Con mil horas al mes, una sola GPU alquilada cubre la carga con margen.
Scribe v3 Live Medical no tiene costo marginal de cómputo porque no se vende por minuto: forma parte de una suscripción de ElevenAgents que factura por minuto de conversación e incluye el LLM, la telefonía y la voz. Los precios de referencia de la API de ElevenLabs, para los modelos que realmente se pueden medir, son 0,22 USD por hora para Scribe v3 Live y 0,20 USD por hora para Scribe v2 Medical, con prompting de términos clave en tiempo real a 0,08 USD por hora.
A diez horas al mes, la ruta gestionada es obviamente más barata: no hay que comprar GPU, no hay ningún pipeline que mantener y la suscripción incluye el agente. A diez mil horas al mes, Whisper autoalojado es más barato que cualquier tarifa por minuto que se haya publicado jamás, y ningún proveedor podrá nunca vender por debajo del coste marginal de tu propio hardware ejecutando pesos MIT. El punto de cruce, como siempre, se sitúa donde tu salario de ingeniería dividido por las horas ahorradas queda por debajo de la tarifa por minuto —y, para un equipo clínico pequeño, llega más tarde de lo que sugiere la hoja de cálculo, porque el pipeline que construyes es un pipeline que mantienes para siempre.

Dónde encaja un router, con precisión
Whisper te entrega texto; algo todavía tiene que leerlo y actuar en consecuencia. En un flujo de trabajo clínico, ese algo es un segundo modelo —que redacta la nota, extrae la lista de medicamentos y decide si la llamada necesita una enfermera—, y es la pata que escala con la duración de la conversación en lugar de con la duración del audio. OrcaRouter sirve 215 modelos tras una única API compatible con OpenAI con un 0% de recargo, con los precios de lista de los proveedores transferidos sin cambios, con failover automático, de modo que ese modelo de razonamiento pueda ser uno pequeño y rápido para las respuestas turno a turno y uno más grande para la nota de fin de llamada, con la misma clave.
Tengamos claros los límites: no alojamos Whisper Large v3 Turbo y no alojamos Scribe v3 Live Medical ni ningún modelo de ElevenLabs. Whisper autoalojado es tu GPU; el modelo médico de ElevenLabs es su plataforma. Lo que enrutamos es la capa por encima de ambos.

¿Cuál, para qué equipo?
Elija Whisper Large v3 Turbo si se cumple cualquiera de las siguientes condiciones: necesita que la transcripción permanezca dentro de su propio perímetro, está transcribiendo audio grabado en lugar de llamadas en directo, su volumen es lo bastante alto como para que el medidor por minuto sea el coste dominante, o tiene la capacidad de ingeniería para construir usted mismo las capas de streaming, diarización y vocabulario. En audio clínico grabado —notas dictadas revisadas después de la visita—, Whisper junto con una pasada de poscorrección de nombres de medicamentos es una respuesta genuinamente sólida y genuinamente barata, y su licencia MIT elimina toda una categoría de conversación sobre adquisiciones.
Toma Scribe v3 Live Medical si el audio es en directo, el vocabulario es clínico y el agente ya va a ser de ElevenLabs. La predicción de turnos y el presupuesto de 10.000 términos son cosas que, de otro modo, tendrías que construir; el resultado del 12,8 % en PriMock57 es del propio proveedor, pero la dirección es coherente con lo que informan todos los proveedores de ASR clínico, y la plataforma absorbe la infraestructura. Luego, espera con PHI hasta que la advertencia de acceso anticipado se quite de la página de documentación.
Y si estás totalmente fuera de ElevenAgents —que es la mayoría de quienes leen esto—, la elección real es entre Whisper y un modelo médico invocable como Scribe v2 Medical, a $0.20 por hora y con un 15% menos de errores que Scribe v2 en audio de pruebas clínicas. Scribe v3 Live Medical es el mejor modelo sobre el papel. Simplemente no está disponible, y un modelo que no puedes ejecutar no es competidor de uno que sí puedes.
