Kartu judul bertuliskan 'Scribe v3 Live Medical vs GPT Transcribe' dengan subjudul 'dua jam yang berbeda'. Di bawahnya terdapat garis waktu dua lajur: lajur atas berlabel 'selama panggilan' menampilkan gelombang audio langsung yang mengalirkan transkrip yang bertambah kata demi kata, lajur bawah berlabel 'setelah panggilan' menampilkan berkas audio yang sudah selesai yang menghasilkan transkrip lengkap dalam satu blok.
Guides & Insights

Scribe v3 Live Medical vs GPT Transcribe: Dua Jam yang Berbeda

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Kedua model ini bukan pesaing, dan cara tercepat untuk membuang satu kuartal adalah memperlakukannya sebagai satu model. GPT Transcribe adalah model speech-to-text offline milik OpenAI: Anda mengirim file audio yang sudah selesai ke endpoint transcriptions dan transkrip lengkap yang telah diformat akan dikembalikan. Model ini tidak dapat mendengarkan panggilan yang sedang berlangsung — dokumentasi OpenAI sendiri menyatakannya secara eksplisit, dan mengarahkan siapa pun yang membutuhkan streaming ke gpt-live-transcribe atau gpt-realtime-whisper. Scribe v3 Live Medical berbentuk sebaliknya: fine-tune klinis real-time yang hanya ada di dalam ElevenAgents, yang mentranskripsikan panggilan pasien, anggota, dan penyedia layanan saat penelepon masih di saluran sehingga agen dapat bereaksi terhadap dosis sebelum kalimatnya selesai.

Jadi pertanyaan jujurnya bukanlah model mana yang lebih baik. Pertanyaannya adalah jam mana yang menjadi patokan alur kerja Anda. Jika manusia atau model harus bertindak selama percakapan — menjawab pertanyaan, mencari informasi manfaat, menangkap kontraindikasi — GPT Transcribe didiskualifikasi sebelum perbandingan akurasi apa pun dimulai, dan satu-satunya opsi OpenAI di jalur itu berbiaya 3,8 kali lipat per menit. Jika transkrip adalah dokumen yang dihasilkan setelah kejadian, Scribe v3 Live Medical tidak dapat digunakan karena alasan yang sama sekali berbeda: tidak ada API, tidak ada ID model, dan tidak ada harga, dan tidak dapat dipanggil dari apa pun yang bukan agen ElevenAgents.

Jam yang menjadi acuan masing-masing

Tarif GPT Transcribe adalah $0,0045 per menit, atau $0,27 per jam audio, dan batasannya adalah batasan sebuah file: endpoint transkripsi OpenAI menerima hingga 25 MB per permintaan, dan model mengembalikan transkrip dengan petunjuk bahasa yang diterapkan. Tidak ada hasil sebagian, karena tidak ada yang bisa dibuat sebagian. Untuk kunjungan yang direkam, catatan yang didikte, atau sekumpulan panggilan yang diarsipkan, ini adalah bentuk yang tepat dan salah satu cara termurah untuk mengubah audio menjadi kata-kata.

Jalur streaming OpenAI adalah lini produk yang berbeda dengan tarif berbeda: gpt-live-transcribe menagih $0,017 per menit, sekitar $1,02 per jam audio. Itu adalah harga waktu — 3,8 kali tarif batch untuk transkripsi dari vendor yang sama, sebelum diskusi akurasi apa pun. Di sinilah kompetensi transkripsi real-time OpenAI sebenarnya berada, dan jika Anda membandingkan transkripsi live dengan transkripsi live, itulah model yang harus diadu dengan Scribe v3 Live, bukan GPT Transcribe.

Jam Scribe v3 Live Medical adalah durasi percakapan di dalam ElevenAgents. Tidak ada file. Ada aliran berbentuk WebSocket yang dikelola platform, model giliran yang menentukan kapan penelepon selesai berbicara, dan transkrip yang dikonsumsi agen untuk bertindak. ElevenLabs tidak menerbitkan angka latensi untuk varian medis; angka untuk keluarga produknya adalah bahwa Scribe v3 Live memiliki tingkat kesalahan kata semantik 44% lebih rendah daripada Scribe v2 Realtime, yang waktu mediannya hingga transkrip terkomitmen sekitar 150 ms. ElevenLabs mengatakan fine-tune medis menyamai Scribe v3 Live dalam hal latensi.

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'.

Akurasi: satu angka yang telah diaudit, satu angka dari vendor, tanpa tumpang tindih

GPT Transcribe memiliki tingkat kesalahan kata yang publik dan diukur secara independen: 3,31% pada benchmark AA-WER milik Artificial Analysis, yang menempatkannya di peringkat kesembilan di antara sekitar lima puluh sistem yang dilacak pada saat peluncurannya pada Juli 2026, dengan subskor 2,22% pada audio obrolan agen, 2,72% pada VoxPopuli, dan 6,10% pada panggilan pendapatan. Sebaran di dalam satu angka itu adalah bagian yang menarik — panggilan pendapatan, dengan aksen, percakapan silang, dan jargon domainnya, hampir tiga kali lebih sulit baginya daripada ucapan agen yang bersih. Konsultasi klinis berada di suatu tempat dalam sebaran itu, dan belum ada yang mengukur di mana.

Scribe v3 Live Medical mencatat tingkat kesalahan kata 12,8% pada PriMock57, kumpulan 57 konsultasi perawatan primer simulasi pilihan ElevenLabs, dibandingkan dengan 15,5% hingga 17,2% untuk empat model real-time pesaing dalam pengujian yang sama oleh vendor tersebut. Angka ini tidak dapat dibandingkan dengan 3,31% ke arah mana pun, dan bukan hanya karena korpusnya: kedua angka berasal dari kerangka uji yang berbeda, kondisi audio yang berbeda, dan yang krusial, latensi yang berbeda. Model batch dapat melihat seluruh file; model streaming harus menetapkan hasil tanpa mengetahui apa yang berikutnya. WER streaming secara sistematis lebih buruk daripada WER batch pada audio yang sama, itulah sebabnya Artificial Analysis menerbitkan keduanya di papan terpisah.

Pernyataan yang dapat dipertahankan: GPT Transcribe adalah model batch yang terukur dengan baik pada angka satu digit rendah untuk ucapan umum, Scribe v3 Live Medical adalah model streaming yang diukur oleh vendor yang mengalahkan rekan real-time-nya pada audio klinis sekitar tiga poin, dan tidak ada eksperimen publik yang menempatkan keduanya pada rekaman yang sama.

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.'

Adaptasi domain, di situlah perbedaan sesungguhnya berada.

Kosakata klinis adalah alasan utama model ElevenLabs ada, dan model ini mengatasi masalah tersebut lewat dua cara: fine-tune yang dilatih untuk nama obat, anatomi, dan patologi, serta mekanisme keyterm yang menerima hingga 10.000 istilah khusus — daftar formularium, daftar penyedia layanan, kamus spesialisasi — yang disertakan tanpa biaya tambahan. ElevenLabs jujur soal batasan ini di FAQ mereka sendiri: model hanya menerapkan suatu istilah ketika audio kemungkinan besar cocok, dan nama obat yang terisolasi tanpa konteks adalah kasus tersulit bagi setiap model. Transkrip contohnya dibuat dari bentuk yang lebih mudah, yaitu nama obat di dalam kalimat dengan dosis yang disertakan.

Pendekatan OpenAI adalah instruksi, bukan fine-tuning. GPT Transcribe menerima daftar kata kunci dan prompt bebas yang menjelaskan isi audio, dan pada sisi realtime model membawa giliran yang telah ditranskripsikan sebelumnya sebagai konteks. Pengukuran OpenAI sendiri atas pengondisian tersebut, pada benchmark Context Aware ASR miliknya, meningkatkan akurasi semantik dari 38,5% menjadi 44,6% untuk model live — angka yang dilaporkan vendor, yang mengukur apakah makna tetap bertahan alih-alih apakah kata-katanya tepat.

Kompromi praktisnya, dan ini nyata: model yang dikondisikan oleh prompt dapat jauh lebih baik daripada benchmark mentahnya ketika Anda memberi tahu apa yang diharapkan, dan model itu dapat berhalusinasi kata kunci yang Anda berikan. Masukkan "metformin" ke dalam prompt dan model yang tidak dapat mendengar kata itu dengan jelas mungkin tetap menghasilkannya. Model yang bias terhadap istilah kunci mengalami penurunan performa dengan lebih mulus, karena bias menggeser probabilitas alih-alih menegaskan keberadaan. Tidak ada mode kegagalan yang muncul di papan peringkat. Keduanya muncul dalam catatan klinis, di mana dosis hasil halusinasi lebih buruk daripada kosong.

Pertanyaan kepatuhan ditentukan oleh formulir, bukan oleh kartu skor

Untuk entitas tercakup, inilah bagian yang benar-benar mengakhiri evaluasi. ElevenLabs menyatakan bahwa Scribe v2 Medical — varian batch, yang dapat Anda panggil melalui API — memenuhi syarat HIPAA dengan Business Associate Agreement dan Zero Retention Mode, dan bahwa dengan ZRM diaktifkan, audio dan transkrip tidak disimpan setelah pemrosesan. Dokumentasinya menambahkan peringatan yang lebih tegas untuk model akses awal real-time: jangan kirim informasi kesehatan yang dilindungi ke Scribe v3 Live Medical sampai kelayakan HIPAA dikonfirmasi untuknya, dan residensi data UE tidak tersedia selama akses awal. Kedua pernyataan itu ada bersama di situs ElevenLabs dan keduanya bukan pernyataan yang sama.

Di sisi OpenAI, endpoint transkripsi adalah API enterprise standar dengan pendekatan penanganan data yang biasa; endpoint ini tidak dijual sebagai produk klinis dan tidak memiliki fine-tune medis. Yang dimilikinya adalah keunggulan praktis sebagai model batch: PHI keluar dari perimeter Anda sekali, dalam file yang Anda pilih, untuk durasi yang Anda ketahui, dan kembali sebagai teks yang Anda simpan sendiri. Tidak ada aliran persisten yang perlu dipertimbangkan.

Asimetri itu mengarah ke arah yang tidak terduga. Pipeline batch lebih mudah dibuat patuh justru karena memiliki lebih sedikit komponen yang bergerak, dan jika alur kerja klinis Anda dapat menoleransi penundaan beberapa menit — dokumentasi ambient ditinjau setelah kunjungan, catatan disusun untuk ditandatangani oleh klinisi — GPT Transcribe dengan prompt yang cermat dan daftar kata kunci adalah kisah kepatuhan yang lebih sederhana daripada model real-time akses awal yang belum memenuhi syarat untuk PHI.

Biaya per seribu panggilan, kedua bentuk

Seribu panggilan klinis sepuluh menit sama dengan 10.000 menit. Di GPT Transcribe itu $45. Di jalur live OpenAI itu $170. Di Scribe v3 Live Medical tidak ada angka yang bisa dihitung, karena modelnya berada di dalam langganan ElevenAgents yang harga per menit percakapan, dibundel bersama LLM, sintesis suara, teleponi, dan giliran bicara. Apakah bundel itu lebih murah daripada $45 plus tumpukan agen Anda sendiri sepenuhnya bergantung pada berapa biaya tumpukan agen Anda sendiri, dan harga ElevenLabs tidak dapat diuraikan menjadi satu baris ASR.

Yang dapat didekomposisi adalah bagian penalaran, dan bagian itulah yang berskala dengan durasi panggilan, bukan durasi audio. Agen klinis yang membaca transkrip dan memutuskan sesuatu memanggil LLM pada setiap giliran; OrcaRouter menyediakan 215 model di balik satu API yang kompatibel dengan OpenAI dengan markup 0%, harga daftar penyedia diteruskan tanpa perubahan, sehingga model yang berada di balik salah satu transkriber dapat diganti atau diberi failover otomatis tanpa menyentuh jalur audio. Kami tidak menyediakan Scribe v3 Live Medical atau model transkripsi OpenAI mana pun, dan tidak ada tarif yang dikutip di atas yang merupakan tarif kami.

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.

Cara memutuskan

Jika transkrip harus sudah ada saat penelepon masih berbicara, GPT Transcribe adalah model yang salah dan perbandingan yang jujur adalah dengan endpoint live OpenAI seharga $0,017 per menit. Pilih ElevenAgents jika Anda menginginkan fine-tune klinis dengan deteksi giliran bicara dan menerima posisi kepatuhan akses awal; pilih jalur live OpenAI jika Anda menginginkan endpoint yang dapat dipanggil, harga yang dipublikasikan, dan pengondisian konteks, serta siap menguji halusinasi pada formularium Anda sendiri.

Jika transkripnya adalah dokumen, ini bukan pertandingan yang seimbang. GPT Transcribe lebih murah, telah diuji benchmark secara independen, dapat digunakan hari ini, dan dilisensikan persis untuk alur kerja file-masuk-teks-keluar yang Anda miliki. Jawaban ElevenLabs sendiri di jalur itu adalah Scribe v2 Medical dengan $0.20 per jam dengan 15% lebih sedikit kesalahan daripada Scribe v2 pada audio uji klinis — pesaing nyata, dan berbeda dari model di judul ini.

Jebakannya dalam pasangan ini adalah kedua nama memuat kata transcribe dan kedua vendor menerbitkan word error rate, sehingga perbandingannya seolah menulis sendiri. Seharusnya tidak. Satu model membaca file; yang lain mendengarkan orang. Pilih jamnya dulu, baru perdebatkan akurasi di dalamnya.