
Scribe v3 Live Medical vs Whisper Large v3 Turbo: il modello che non puoi noleggiare vs quello che puoi possedere
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 89 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 88 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
Whisper Large v3 Turbo è un modello da 809 milioni di parametri sotto licenza MIT che puoi scaricare, quantizzare a circa 1,6 GB ed eseguire su una singola GPU modesta a circa otto volte la velocità di Whisper Large v3. Scribe v3 Live Medical è un fine-tune clinico di ElevenLabs che non puoi scaricare, non puoi chiamare tramite API e non puoi ottenere in alcun modo se non esegui un agente all'interno di ElevenAgents. Metterli nella stessa frase è strano finché non noti che occupano la stessa posizione in una decisione reale: entrambi sono ciò a cui si ricorre quando un trascrittore generico continua a storpiare "empagliflozin", e solo uno dei due è disponibile per la maggior parte dei team.
Questo è il vero confronto. Non l’accuratezza — i due numeri non coincidono — ma la disponibilità, e quanto ti costa in termini di ingegneria la baseline aperta per colmare un divario per il quale un fornitore non ti venderà una soluzione chiusa.
La versione in undici parole del perché questa non è una battaglia sui benchmark
Il dato pubblicato da ElevenLabs per Scribe v3 Live Medical è un tasso di errore per parola del 12,8% su PriMock57, 57 consultazioni simulate di assistenza primaria, contro il 15,5%–17,2% di quattro modelli concorrenti in tempo reale, medici e generici. I dati pubblicati di Whisper Large v3 Turbo sono del 2,1% su LibriSpeech test-clean e del 4,2% su test-other — parlato letto da audiolibri in inglese, un corpus che è stato il benchmark aperto standard per anni ed è circa tanto lontano da una telefonata riguardante una prescrizione quanto l'audio possa esserlo.
Nelle condizioni di LibriSpeech, un modello aperto da 809M batte un fine-tune clinico con un ampio margine. In una vera consultazione con una cuffia scadente, entrambi i numeri sono rumore. Nessuna delle due cifre predice l'altra, e chiunque le allinei e annunci un vincitore sta confrontando una misurazione in camera pulita di un modello batch con una misurazione eseguita dal fornitore di uno streaming. L'inquadramento onesto è che il fine-tune medico rivendica un vantaggio rispetto ad altri modelli in tempo reale su audio clinico, e Whisper rivendica un vantaggio rispetto ad altri modelli aperti su parlato letto pulito, e nessuna delle due affermazioni tocca l'altra.
Che cos'è realmente Whisper Large v3 Turbo, e cosa non è
La distillazione di Whisper Large v3 di OpenAI, rilasciata con licenza MIT nell’ottobre 2024: 32 strati encoder e 4 strati decoder, rispetto ai 32 di partenza, ed è da qui che deriva la velocità. Funziona in faster-whisper, whisper.cpp, nelle build ONNX e GGUF, si quantizza fino a stare su un laptop, copre 99 lingue e non comporta alcun costo di licenza, sia che lo si esegua su una GPU sia su un rack.
Ciò che non è, e questo è l'elenco che conta per un agente clinico:
• Non esegue streaming. L'architettura di Whisper è costruita attorno a una finestra fissa di 30 secondi, quindi "in tempo reale" significa suddividere l'audio in blocchi e rieseguire, pagando per la sovrapposizione e accettando che la trascrizione ritardi rispetto al parlato di tutta la quantità che si bufferizza. Non esiste un flusso nativo di risultati parziali né un rilevamento dei turni.
Non esegue la diarizzazione. Un unico flusso di parole, nessun concetto di chi ha detto cosa. Per una consultazione a due, in cui sia il paziente sia il clinico nominano dei farmaci, si aggiunge un modello separato per l'etichettatura dei parlanti oppure si accetta una trascrizione non etichettata.
• Non formatta. La punteggiatura e l'uso delle maiuscole escono così come le ha prodotte l'audio, disfluenze incluse. Nessuna risoluzione delle autocorrezioni, nessuna maiuscola a inizio frase, nessuna struttura da nota clinica.
• Non è addestrato per la traduzione e non dispone di alcun meccanismo di bias di dominio. Non c'è alcun elenco di keyterm per passargli il formulario, né alcun prompt per dirgli che si tratta di una chiamata di cardiologia. O si esegue il fine-tuning, o si esegue il post-processing, oppure si accettano gli errori.
Scribe v3 Live Medical, al contrario, si basa quasi interamente su quelle quattro cose mancanti: fa streaming, dispone di una turn prediction che attende che venga pronunciato un member ID, supporta fino a 10.000 termini clinici personalizzati senza costi aggiuntivi ed è un fine-tuning di un modello addestrato sulle conversazioni anziché sugli audiolibri. ElevenLabs è franca su dove questo si ferma — i nomi dei farmaci isolati, senza contesto circostante, sono il caso più difficile per ogni modello, e il consiglio è usare i keyterms per orientare verso ciò che ci si aspetta.

Il costo ingegneristico di colmare il divario da soli
È qui che il confronto diventa un foglio di calcolo anziché una classifica. Un team che vuole che Whisper Large v3 Turbo si comporti come un trascrittore clinico in tempo reale deve costruire quattro cose:
• Un wrapper di streaming — audio a blocchi, finestre sovrapposte, fusione di ipotesi parziali e una regola di endpointing tutta tua, perché Whisper non te ne fornisce alcuna. Aspettati di passare parecchio tempo sulla gestione delle giunzioni; è lì che la maggior parte degli agenti vocali fatti in casa ottiene la peggiore latenza.
• Un meccanismo di vocabolario — Whisper non ne ha alcuno. O si effettua un fine-tuning sul proprio audio clinico, che richiede dati etichettati che probabilmente non si possiedono, oppure si applica una correzione a posteriori basandosi su un elenco di nomi di farmaci, che è un problema di fuzzy matching e genera una propria classe di errori commessi con eccessiva sicurezza.
• Una passata di diarizzazione — un secondo modello, un secondo budget di latenza e una fase di fusione che deve allineare i turni degli interlocutori alle temporizzazioni delle parole di Whisper.
• Infrastruttura — GPU, autoscaling, una coda per il percorso batch e qualcuno reperibile quando il server che trascrive 40 ore al giorno va giù alle 2 di notte.
Niente di tutto ciò è proibitivo. È tutto lavoro che un modello clinico gestito avrebbe assorbito, e la domanda onesta è se il tempo del vostro team sia meglio speso lì o sul prodotto clinico stesso. Per un gruppo di ricerca o un team di piattaforma che gestisce già un'infrastruttura di inferenza, la risposta è spesso sì — è per questo che Whisper è diventato la scelta predefinita fin dall'inizio. Per una startup di salute digitale di cinque persone il cui fattore differenziante è il flusso di lavoro infermieristico, di solito è no.
La licenza è il vero vantaggio, e non è un vantaggio da poco.
La licenza MIT di Whisper significa nessun fornitore, nessun contatore, nessuna tariffa al minuto che cresce con il volume delle chiamate e nessun obbligo che l'audio dei pazienti lasci la vostra rete. Per un'organizzazione soggetta alla normativa (covered entity), quest'ultimo punto non è un semplice accessorio. Un deployment self-hosted di Whisper all'interno del vostro VPC è una storia di conformità che il vostro team di sicurezza sa già come approvare: le PHI non attraversano mai il confine di un fornitore, la conservazione dei log spetta a voi e non c'è alcun Business Associate Agreement da negoziare.
Di contro, la documentazione di ElevenLabs attualmente afferma qualcosa che un compliance officer leggerà due volte: non inviare informazioni sanitarie protette a Scribe v3 Live Medical finché l'idoneità HIPAA non è confermata per il modello, e la residenza dei dati nell'UE non è disponibile durante l'accesso anticipato. La dichiarazione generale della pagina sulla trascrizione medica — idoneo HIPAA per i clienti Enterprise con un BAA e Zero Retention Mode — descrive la piattaforma e il prodotto medicale in disponibilità generale, Scribe v2 Medical. Per il modello in tempo reale in accesso anticipato, l'avvertenza è la frase operativa.
Quindi oggi la baseline aperta vince nettamente il confronto sulla conformità, per una ragione che non ha nulla a che vedere con l'accuratezza e tutto a che fare con documentazione burocratica che non è stata completata.
Costo marginale, a tre volumi diversi
Whisper ha un costo hardware e nessun contatore. Eseguilo su una GPU che già possiedi e il costo marginale di un minuto trascritto si avvicina a quello dell'elettricità; noleggiane una e corrisponde alla tariffa dell'istanza divisa per il throughput, che sui moderni stack di serving è un numero esiguo di centesimi per ora di audio. A mille ore al mese, una singola GPU noleggiata copre il carico con margine.
Scribe v3 Live Medical non ha costi marginali di calcolo perché non viene venduto al minuto — è incluso in un abbonamento ElevenAgents che fattura per minuto di conversazione e include LLM, telefonia e voce. I riferimenti API di ElevenLabs, per i modelli di cui è possibile misurare effettivamente il consumo, sono 0,22 $ all'ora per Scribe v3 Live e 0,20 $ all'ora per Scribe v2 Medical, con keyterm prompting in tempo reale a 0,08 $ all'ora.
A dieci ore al mese, la soluzione gestita è ovviamente più economica: nessuna GPU da acquistare, nessuna pipeline da mantenere e l'abbonamento include l'agente. A diecimila ore al mese, Whisper self-hosted è più economico di qualsiasi tariffa al minuto sia mai stata pubblicata, e nessun fornitore potrà mai offrire un prezzo inferiore al costo marginale del tuo hardware che esegue i pesi MIT. Il punto di incrocio, come sempre, si colloca dove il tuo stipendio di ingegnere diviso per le ore risparmiate scende sotto la tariffa al minuto — e per un piccolo team clinico arriva più tardi di quanto suggerisca il foglio di calcolo, perché la pipeline che costruisci è una pipeline che manterrai per sempre.

Dove si inserisce un router, precisamente
Whisper ti consegna del testo; qualcosa deve comunque leggerlo e agire di conseguenza. In un flusso di lavoro clinico si tratta di un secondo modello — che redige la nota, estrae l'elenco dei farmaci, decide se la chiamata richiede un infermiere — ed è la parte che scala con la lunghezza della conversazione anziché con quella dell'audio. OrcaRouter serve 215 modelli dietro un'unica API compatibile con OpenAI a markup 0%, con i prezzi di listino dei provider trasferiti invariati, con failover automatico, così quel modello di ragionamento può essere uno piccolo e veloce per le risposte turno per turno e uno più grande per la nota a fine chiamata, sulla stessa chiave.
Sii chiaro sui confini: non ospitiamo Whisper Large v3 Turbo e non ospitiamo Scribe v3 Live Medical né alcun modello ElevenLabs. Whisper self-hosted è la tua GPU; il modello medico di ElevenLabs è la loro piattaforma. Ciò che instradiamo è il livello sopra entrambi.

Quale, per quale squadra?
Scegli Whisper Large v3 Turbo se è vera una qualsiasi delle seguenti condizioni: hai bisogno che la trascrizione rimanga all'interno del tuo perimetro, stai trascrivendo audio registrato anziché chiamate dal vivo, il tuo volume è così alto che il costo al minuto è la voce dominante, oppure hai la capacità ingegneristica di costruire da solo i livelli di streaming, diarizzazione e vocabolario. Sull'audio clinico registrato — note dettate riviste dopo la visita — Whisper più un passaggio di post-correzione dei nomi dei farmaci è una risposta davvero solida e davvero economica, e la sua licenza MIT elimina un'intera categoria di discussioni sull'approvvigionamento.
Scegli Scribe v3 Live Medical se l'audio è live, il vocabolario è clinico e l'agente sarà già di ElevenLabs. La previsione dei turni e il budget di 10.000 termini sono cose che altrimenti dovresti costruire, il risultato del 12,8% su PriMock57 è del fornitore stesso ma la direzione è coerente con quanto riportano tutti i fornitori di ASR clinico, e la piattaforma assorbe l'infrastruttura. Poi aspetta sul fronte PHI finché l'avviso di accesso anticipato non viene rimosso dalla pagina della documentazione.
E se siete completamente al di fuori di ElevenAgents — come la maggior parte delle persone che leggono questo — la vera scelta è tra Whisper e un modello medico invocabile come Scribe v2 Medical, a 0,20 $ l'ora con il 15% di errori in meno rispetto a Scribe v2 su audio clinico di test. Scribe v3 Live Medical è il modello migliore sulla carta. Semplicemente non è disponibile, e un modello che non potete eseguire non è un concorrente di uno che potete.
