
Scribe v3 Live Medical vs Whisper Large v3 Turbo: Model yang Tidak Bisa Anda Sewa vs Model yang Bisa Anda Miliki
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
Whisper Large v3 Turbo adalah model dengan 809 juta parameter di bawah lisensi MIT yang dapat Anda unduh, kuantisasi menjadi sekitar 1,6 GB, dan jalankan pada satu GPU sederhana dengan kecepatan sekitar delapan kali Whisper Large v3. Scribe v3 Live Medical adalah fine-tune klinis dari ElevenLabs yang tidak dapat Anda unduh, tidak dapat Anda panggil melalui API, dan sama sekali tidak dapat Anda peroleh kecuali Anda menjalankan agen di dalam ElevenAgents. Menempatkan keduanya dalam satu kalimat terasa aneh sampai Anda menyadari bahwa keduanya menempati posisi yang sama dalam keputusan nyata: keduanya adalah yang Anda andalkan ketika transkriber serbaguna terus salah mengolah "empagliflozin", dan hanya satu di antaranya yang tersedia bagi sebagian besar tim.
Itulah perbandingan yang sebenarnya. Bukan soal akurasi — kedua angka itu tidak cocok — melainkan ketersediaan, dan berapa biaya rekayasa yang harus Anda tanggung pada baseline terbuka untuk menutup celah yang tidak akan diberikan vendor kepada Anda dalam bentuk solusi tertutup.
Versi sebelas kata tentang mengapa ini bukan pertarungan benchmark
Angka yang dipublikasikan ElevenLabs untuk Scribe v3 Live Medical adalah tingkat kesalahan kata 12,8% pada PriMock57, 57 konsultasi layanan primer simulasi, dibandingkan dengan 15,5% hingga 17,2% untuk empat model medis dan umum real-time pesaing. Angka yang dipublikasikan Whisper Large v3 Turbo adalah 2,1% pada LibriSpeech test-clean dan 4,2% pada test-other — rekaman suara audiobook bahasa Inggris yang dibacakan, korpus yang telah menjadi tolok ukur terbuka standar selama bertahun-tahun dan kira-kira sejauh mungkin dari panggilan telepon soal resep obat sebagaimana audio bisa berbeda.
Pada kondisi LibriSpeech, model terbuka 809M mengalahkan fine-tune klinis dengan selisih yang lebar. Pada konsultasi nyata dengan headset buruk, kedua angka itu hanyalah noise. Tidak ada angka yang memprediksi angka lainnya, dan siapa pun yang menyejajarkannya lalu mengumumkan pemenang sedang membandingkan pengukuran clean-room dari model batch dengan pengukuran yang dijalankan vendor atas model streaming. Kerangka yang jujur adalah bahwa fine-tune medis mengklaim keunggulan atas model real-time lain pada audio klinis, dan Whisper mengklaim keunggulan atas model terbuka lain pada ucapan baca yang bersih, dan tidak ada klaim yang bersinggungan dengan klaim lainnya.
Apa sebenarnya Whisper Large v3 Turbo, dan apa yang bukan.
Distilasi Whisper Large v3 oleh OpenAI, dirilis dengan lisensi MIT pada Oktober 2024: 32 lapisan encoder dan 4 lapisan decoder, turun dari 32, yang menjadi sumber kecepatannya. Model ini berjalan di faster-whisper, whisper.cpp, serta build ONNX dan GGUF, dikuantisasi cukup kecil untuk laptop, mencakup 99 bahasa, dan tidak memerlukan biaya lisensi baik Anda menjalankannya di satu GPU maupun satu rak.
Apa yang tidak termasuk, dan inilah daftar yang penting bagi agen klinis:
• Ini tidak melakukan streaming. Arsitektur Whisper dibangun di sekitar jendela tetap 30 detik, jadi "real-time" berarti memotong audio menjadi beberapa bagian dan menjalankannya ulang, menanggung biaya tumpang tindih dan menerima bahwa transkrip tertinggal dari ucapan sebesar berapa pun yang Anda buffer. Tidak ada aliran hasil parsial bawaan dan tidak ada deteksi giliran.
• Tidak melakukan diarisasi. Satu aliran kata, tanpa konsep siapa mengatakan apa. Untuk konsultasi dua orang di mana pasien dan klinisi sama-sama menyebut nama obat, Anda harus menambahkan model pelabelan pembicara terpisah atau menerima transkrip tanpa label.
• Ini tidak melakukan pemformatan. Tanda baca dan kapitalisasi muncul sebagaimana dihasilkan oleh audio, lengkap dengan disfluensi dan sebagainya. Tidak ada penyelesaian koreksi diri, tidak ada kapitalisasi awal kalimat, tidak ada struktur catatan klinis.
• Model ini tidak dilatih untuk penerjemahan, dan tidak memiliki mekanisme bias domain. Tidak ada daftar istilah kunci untuk memberinya formularium, dan tidak ada prompt untuk memberi tahu bahwa ini adalah panggilan kardiologi. Anda melakukan fine-tuning, atau pascaproses, atau menerima kesalahannya.
Scribe v3 Live Medical, sebaliknya, dibangun hampir seluruhnya dari empat hal yang hilang tersebut: ia melakukan streaming, memiliki prediksi giliran yang menunggu hingga ID anggota selesai diucapkan, mendukung hingga 10.000 istilah klinis khusus tanpa biaya, dan merupakan fine-tune dari model yang dilatih pada percakapan, bukan buku audio. ElevenLabs terbuka tentang di mana batasnya — nama obat yang terisolasi tanpa konteks di sekitarnya adalah kasus tersulit bagi setiap model, dan sarannya adalah menggunakan keyterms untuk mengarahkan ke hal yang Anda perkirakan.

Biaya rekayasa untuk menutup kesenjangan sendiri
Di sinilah perbandingan berubah menjadi spreadsheet, bukan papan peringkat. Tim yang ingin Whisper Large v3 Turbo berperilaku seperti transkriptor real-time klinis harus membangun empat hal:
• Pembungkus streaming — audio yang dipecah menjadi chunk, jendela yang saling tumpang tindih, penggabungan hipotesis parsial, dan aturan endpointing buatan Anda sendiri, karena Whisper tidak menyediakan satu pun. Bersiaplah untuk menghabiskan waktu yang tidak sedikit untuk menangani bagian sambungan; di situlah sebagian besar agen suara buatan sendiri mengalami latensi terburuknya.
• Mekanisme kosakata — Whisper tidak memilikinya. Entah Anda melakukan fine-tune pada audio klinis Anda sendiri, yang membutuhkan data berlabel yang kemungkinan besar tidak Anda miliki, atau Anda melakukan koreksi pasca terhadap daftar nama obat, yang merupakan masalah pencocokan fuzzy yang menghasilkan kelas kesalahannya sendiri yang berkeyakinan tinggi.
• Proses diarisasi — model kedua, anggaran latensi kedua, dan langkah penggabungan yang harus menyelaraskan giliran pembicara dengan penanda waktu kata dari Whisper.
• Infrastruktur — GPU, penskalaan otomatis, antrean untuk jalur batch, dan seseorang yang siaga saat mesin yang mentranskripsikan 40 jam sehari tumbang pada pukul 2 pagi.
Tidak ada dari semua itu yang menghalangi. Semua itu adalah pekerjaan yang akan diserap oleh model klinis terkelola, dan pertanyaan jujurnya adalah apakah waktu tim Anda lebih baik dihabiskan di sana atau pada produk klinis itu sendiri. Bagi kelompok riset atau tim platform yang sudah menjalankan infrastruktur inferensi, jawabannya sering kali ya — itulah sebabnya Whisper menjadi default sejak awal. Bagi startup kesehatan digital dengan lima orang yang pembedanya adalah alur kerja perawat, jawabannya biasanya tidak.
Lisensi adalah keunggulan sebenarnya, dan itu bukan hal kecil.
Lisensi MIT Whisper berarti tidak ada vendor, tidak ada meteran, tidak ada biaya per menit yang membengkak seiring volume panggilan, dan tidak ada keharusan audio pasien keluar dari jaringan Anda. Bagi entitas tercakup, poin terakhir itu bukan sekadar nilai tambah. Deployment Whisper yang di-host sendiri di dalam VPC Anda adalah cerita kepatuhan yang sudah diketahui tim keamanan Anda cara menyetujuinya: PHI tidak pernah melintasi batas vendor, retensi log menjadi hak Anda untuk mengatur, dan tidak ada Business Associate Agreement yang perlu dinegosiasikan.
Sebaliknya, dokumentasi ElevenLabs saat ini menyatakan sesuatu yang akan dibaca dua kali oleh petugas kepatuhan: jangan kirim informasi kesehatan yang dilindungi ke Scribe v3 Live Medical sampai kelayakan HIPAA dikonfirmasi untuk model tersebut, dan residensi data UE tidak tersedia selama akses awal. Pernyataan umum halaman transkripsi medis — layak HIPAA untuk pelanggan Enterprise dengan BAA dan Zero Retention Mode — menjelaskan platform dan produk medis GA, Scribe v2 Medical. Untuk model real-time akses awal, peringatan itulah kalimat yang berlaku.
Jadi baseline terbuka memenangkan perbandingan kepatuhan secara mutlak hari ini, karena alasan yang sama sekali tidak berkaitan dengan akurasi dan sepenuhnya berkaitan dengan dokumen yang belum selesai.
Biaya marginal, pada tiga volume yang berbeda
Whisper memiliki biaya perangkat keras dan tidak ada meteran. Jalankan di GPU yang sudah Anda miliki dan biaya marginal per menit yang ditranskripsikan mendekati biaya listrik; sewa satu dan biayanya adalah tarif instans dibagi throughput, yang pada stack penyajian modern hanya beberapa sen per jam audio. Pada seribu jam per bulan, satu GPU sewaan menutupi beban dengan sisa kapasitas.
Scribe v3 Live Medical tidak memiliki biaya marginal untuk dihitung karena tidak dijual per menit — layanan ini termasuk dalam langganan ElevenAgents yang menagih per menit percakapan dan mencakup LLM, teleponi, serta suara. Patokan API ElevenLabs, untuk model yang benar-benar dapat Anda ukur, adalah $0,22 per jam untuk Scribe v3 Live dan $0,20 per jam untuk Scribe v2 Medical, dengan realtime keyterm prompting seharga $0,08 per jam.
Dengan sepuluh jam per bulan, jalur terkelola jelas lebih murah: tidak ada GPU yang perlu dibeli, tidak ada pipeline yang perlu dipelihara, dan langganan sudah mencakup agen. Dengan sepuluh ribu jam per bulan, Whisper yang di-host sendiri lebih murah daripada tarif per menit apa pun yang pernah dipublikasikan, dan tidak ada vendor yang akan pernah memotong biaya marginal perangkat keras Anda sendiri yang menjalankan bobot MIT. Titik impasnya, seperti biasa, berada di titik ketika gaji insinyur Anda dibagi jam yang dihemat berada di bawah tarif per menit — dan bagi tim klinis kecil, titik itu terjadi lebih lambat daripada yang diperkirakan spreadsheet, karena pipeline yang Anda bangun adalah pipeline yang Anda pelihara selamanya.

Di mana router cocok, secara tepat
Whisper memberi Anda teks; masih ada yang harus membacanya dan bertindak. Dalam alur kerja klinis, itu adalah model kedua — menyusun catatan, mengekstrak daftar obat, memutuskan apakah panggilan membutuhkan perawat — dan itu adalah bagian yang skalanya mengikuti panjang percakapan, bukan panjang audio. OrcaRouter menyediakan 215 model di balik satu API yang kompatibel dengan OpenAI dengan markup 0%, harga daftar penyedia diteruskan tanpa perubahan, dengan failover otomatis, sehingga model penalaran itu dapat berupa model kecil yang cepat untuk balasan per giliran dan model yang lebih besar untuk catatan akhir panggilan, dengan kunci yang sama.
Jelaskan batasannya dengan jelas: kami tidak menghosting Whisper Large v3 Turbo dan kami tidak menghosting Scribe v3 Live Medical atau model ElevenLabs apa pun. Whisper yang di-hosting sendiri adalah GPU Anda; model medis ElevenLabs adalah platform mereka. Yang kami rutekan adalah lapisan di atas keduanya.

Yang mana, untuk tim yang mana?
Pilih Whisper Large v3 Turbo jika salah satu dari berikut ini benar: Anda memerlukan transkrip agar tetap berada di dalam perimeter Anda sendiri, Anda mentranskripsikan audio terekam, bukan panggilan langsung, volume Anda cukup tinggi sehingga tarif per menit menjadi biaya dominan, atau Anda memiliki kapasitas teknik untuk membangun lapisan streaming, diarisasi, dan kosakata sendiri. Pada audio klinis terekam — catatan yang didikte yang ditinjau setelah kunjungan — Whisper ditambah proses koreksi pasca-transkripsi nama obat adalah jawaban yang benar-benar kuat dan benar-benar murah, dan lisensi MIT-nya menghilangkan seluruh kategori percakapan pengadaan.
Pilih Scribe v3 Live Medical jika audionya live, kosakatanya klinis, dan agennya memang sudah akan memakai ElevenLabs. Prediksi giliran bicara dan anggaran 10.000 istilah adalah hal yang biasanya harus Anda bangun sendiri, angka 12,8% pada PriMock57 berasal dari vendor sendiri tetapi arahnya konsisten dengan yang dilaporkan setiap vendor ASR klinis, dan platform menyerap infrastrukturnya. Setelah itu, tunggu dulu soal PHI sampai peringatan akses awal hilang dari halaman dokumentasi.
Dan jika Anda sepenuhnya berada di luar ElevenAgents — sebagaimana kebanyakan orang yang membaca ini — pilihan sesungguhnya adalah antara Whisper dan model medis yang dapat dipanggil seperti Scribe v2 Medical, dengan harga $0.20 per jam dengan 15% lebih sedikit kesalahan daripada Scribe v2 pada audio uji klinis. Scribe v3 Live Medical adalah model yang lebih baik di atas kertas. Model itu memang tidak ditawarkan, dan model yang tidak dapat Anda jalankan bukanlah pesaing bagi model yang dapat Anda jalankan.
