タイトルカードには『Scribe v3 Live Medical vs GPT Transcribe』と表示され、サブタイトルは「2つの異なる時計」。その下には2レーンのタイムラインがあり、「通話中」とラベル付けされた上段のレーンでは、ライブ波形が単語ごとに成長する文字起こしへと流れ込み、「通話後」とラベル付けされた下段のレーンでは、完成した音声ファイルが完全な文字起こしを1つのブロックで生成する様子を示している。
Guides & Insights

Scribe v3 Live Medical 対 GPT Transcribe:2つの異なる時計

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

これら2つのモデルは競合相手ではなく、四半期を無駄にする最速の方法は両者を1つとして扱うことです。GPT TranscribeはOpenAIのオフライン音声認識モデルです。完成した音声ファイルをtranscriptionsエンドポイントに送信すると、完全に整形された文字起こしが返ってきます。進行中の通話を聴くことはできません。OpenAI自身のドキュメントが明記しており、ストリーミングが必要な場合はgpt-live-transcribeまたはgpt-realtime-whisperを代わりに使用するよう案内しています。Scribe v3 Live Medicalは逆の設計です。ElevenAgents内にのみ存在するリアルタイムの臨床向けファインチューニングで、患者、メンバー、プロバイダーの通話を、発信者がまだ回線にいる間に文字起こしするため、エージェントは文が終わる前に投薬量に反応できます。

正直な問いは、どちらのモデルが優れているかではありません。あなたのワークフローがどの時計で動いているかです。会話中に人間またはモデルが行動しなければならない場合——質問に答え、給付内容を調べ、禁忌を察知する——GPT Transcribe は精度比較を始める前に除外されます。そして、その領域で唯一の OpenAI の選択肢は、1分あたり3.8倍の費用がかかります。文字起こしが事後に作成される文書である場合、Scribe v3 Live Medical はまったく別の理由で使えません。API もモデル ID も価格もなく、ElevenAgents のエージェント以外からは呼び出せないからです。

それぞれが動く基準となるクロック

GPT Transcribeの料金は1分あたり$0.0045、音声1時間あたり$0.27で、その制約はファイルの制約です。OpenAIの文字起こしエンドポイントは1リクエストあたり最大25 MBを受け付け、モデルは言語ヒントを適用した文字起こしを返します。部分的な結果はありません。部分的に扱うべきものが何もないからです。録音された診察、口述メモ、アーカイブ通話のバッチにとって、これはまさに適した形であり、音声から言葉を取り出すより安価な方法の一つです。

OpenAIのストリーミング路線は別の製品ラインで、料金も異なります:gpt-live-transcribeは1分あたり$0.017、音声1時間あたり約$1.02で課金されます。これは時間に対する価格であり、同じベンダーの文字起こしにおけるバッチ料金の3.8倍です(精度の議論は別として)。また、OpenAIのリアルタイム文字起こしの実力が実際に宿るのもここであり、ライブ文字起こし同士を比較するなら、GPT TranscribeではなくScribe v3 Liveと比べるべきモデルはこれです。

Scribe v3 Live Medical のクロックは、ElevenAgents 内での会話の長さです。ファイルは存在しません。プラットフォームが管理する WebSocket 形式のストリーム、発信者が話し終えた時点を判定するターンモデル、エージェントが行動するために消費するトランスクリプトがあります。ElevenLabs は医療向けバリアントのレイテンシ値を公開していません。ファミリー全体の数字としては、Scribe v3 Live は Scribe v2 Realtime より意味的単語誤り率が 44% 低く、Scribe v2 Realtime の確定トランスクリプトまでの中央値は約 150 ms です。ElevenLabs によると、医療向けファインチューニングはレイテンシにおいて Scribe v3 Live と同等です。

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'.

正確性:監査済みの数値が1つ、ベンダーの数値が1つ、重複なし

GPT Transcribeには、公開された独立測定による単語誤り率がある。Artificial AnalysisのAA-WERベンチマークで3.31%を記録し、2026年7月のリリース時点では、追跡対象の約50システム中9位だった。サブスコアは、エージェント通話音声で2.22%、VoxPopuliで2.72%、決算説明会で6.10%だった。興味深いのは、その一つの数字の内側にあるばらつきだ。アクセント、かぶせ話、専門用語を伴う決算説明会は、クリーンなエージェント発話に比べて約3倍難しい。臨床現場の診察会話はそのばらつきのどこかに位置するが、どこなのかは誰も測定していない。

Scribe v3 Live Medicalの数値は、PriMock57(ElevenLabsが選定した57件の模擬一次診療相談)において単語誤り率12.8%であり、同じベンダーの実行における4つの競合リアルタイムモデルの15.5%~17.2%と対比されます。これは3.31%とはどちらの方向にも比較できません。その理由はコーパスだけではなく、両者の数値が異なるハーネス、異なる音声条件、そして決定的に異なるレイテンシに由来するからです。バッチモデルはファイル全体を参照できますが、ストリーミングモデルは次に何が来るかを知らないまま確定します。同じ音声ではストリーミングのWERはバッチのWERより系統的に悪化します。そのためArtificial Analysisは両者を別々のボードで公開しています。

妥当な主張は次のとおりだ。GPT Transcribe は一般音声において一桁台前半の数値を示す、十分に計測されたバッチモデルであり、Scribe v3 Live Medical は臨床音声においてリアルタイム系の競合他社を約3ポイント上回る、ベンダー計測のストリーミングモデルであり、そして両者を同一の録音上で比較した公開実験は存在しない。

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.'

ドメイン適応、そこに本当の違いがある

臨床語彙こそがElevenLabsモデルが存在する理由であり、同モデルはこの問題に二重に取り組みます。薬剤名、解剖学、病理学に寄せて学習させたファインチューニングと、最大1万件のカスタム用語——医薬品集、医療提供者名簿、専門辞書など——を受け付けるキーターム機構を追加費用なしで備えているのです。ElevenLabsは自社のFAQでその限界について正直に説明しています。モデルは音声が一致する可能性が高い場合にのみ用語を適用し、文脈のない孤立した薬剤名はどのモデルにとっても最も難しいケースだというのです。同社のサンプル文字起こしは、より簡単な形、つまり用量が付いた文の中に薬剤名がある例から作られています。

OpenAIのアプローチはファインチューニングではなく、インストラクション(指示)によるものだ。GPT Transcribeはキーワードリストと、音声が何についてのものかを記述する自由形式のプロンプトを受け付け、リアルタイム側ではモデルが以前に文字起こししたターンをコンテキストとして引き継ぐ。OpenAI自身によるその条件付けの測定では、同社のContext Aware ASRベンチマークにおいて、ライブモデルの意味的正確さが38.5%から44.6%に向上した——これはベンダー報告の数値であり、単語が正しいかどうかではなく意味が保持されたかどうかを測るものだ。

実用的なトレードオフであり、しかも現実のものだ。プロンプトで条件づけられたモデルは、何を期待すべきかを伝えると、生のベンチマークより劇的に良くなり得る一方で、与えたキーワードをハルシネートし得る。プロンプトに「metformin」を入れると、その単語をはっきり聞き取れないモデルでも、それでも出力してしまうことがある。キータームバイアスのかかったモデルはより穏やかに劣化する。なぜなら、バイアスは存在を主張するのではなく確率をずらすからだ。どちらの失敗モードもリーダーボードには現れない。両方とも臨床ノートに現れる。そこでは、ハルシネートされた投与量は空白よりも悪い。

コンプライアンス上の問題は、スコアカードではなく形式によって決まる。

対象事業体(covered entity)にとって、これが実際に評価を終わらせるセクションです。ElevenLabsは、Scribe v2 Medical——バッチ版の姉妹製品で、API経由で呼び出せるもの——がBusiness Associate AgreementとZero Retention Modeを伴ってHIPAA適格であり、ZRMを有効にすると処理後に音声と文字起こしは保持されないと述べています。そのドキュメントは、リアルタイムの早期アクセスモデルについてより強い警告を追加しています。HIPAA適格性が確認されるまで保護対象保健情報をScribe v3 Live Medicalに送信しないこと、また早期アクセス中はEUデータレジデンシーを利用できないことです。これら二つの記述はElevenLabsのサイト上で共存しており、同じ記述ではありません。

OpenAI側では、文字起こしエンドポイントは標準的なエンタープライズAPIであり、一般的なデータ取り扱いの姿勢を備えています。臨床製品として販売されておらず、医療向けのファインチューニングも含まれていません。ただし実際的な利点として、バッチモデルであることが挙げられます。PHIは、あなたが選んだファイルとして、あなたが把握している期間だけ一度だけ境界の外に出て、あなた自身が保存するテキストとして戻ってきます。常時接続のストリームを考慮する必要はありません。

その非対称性は意外な方向に働く。バッチパイプラインは、構成要素が少ないというまさにその理由で、コンプライアンス対応にしやすい。臨床ワークフローが数分の遅延を許容できるなら——診察後にレビューされるアンビエントドキュメンテーション、臨床医が署名するために作成される診療記録の下書き——慎重なプロンプトとキーワードリストを添えた GPT Transcribe のほうが、まだ PHI を扱う資格のない早期アクセスのリアルタイムモデルよりも、コンプライアンス上の説明が簡単だ。

1,000回の呼び出しあたりのコスト(両方の形態)

10分の診療通話1,000件は10,000分です。GPT Transcribeでは45ドルです。OpenAIのライブレーンでは170ドルです。Scribe v3 Live Medicalでは計算すべき数字はありません。なぜなら、このモデルは会話1分単位で価格設定されたElevenAgentsサブスクリプションの内部にあり、LLM、音声合成、テレフォニー、ターンテイキングがバンドルされているからです。そのバンドルが45ドルに自社のエージェントスタックを加えた額より安いかどうかは、自社のエージェントスタックのコスト次第であり、ElevenLabsの価格はASRの費目に分解できません。

分解可能なのは推論の部分であり、それは音声の長さではなく通話の長さに応じてスケールする部分です。トランスクリプトを読み、何かを判断する臨床エージェントは毎ターンLLMを呼び出します。OrcaRouterが提供するのは1つのOpenAI互換APIの背後で0%のマークアップで利用できる215モデルで、プロバイダーの定価はそのまま反映されるため、どちらの文字起こしサービスの背後にあるモデルも音声経路に触れることなく交換したり、自動フェイルオーバーを設定したりできます。当社はScribe v3 Live MedicalやOpenAIの文字起こしモデルは提供しておらず、上記の料金はいずれも当社のものではありません。

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.

どうやって決めるか

通話者がまだ話している間に文字起こしが存在しなければならないなら、GPT Transcribe は適切なモデルではなく、公正な比較対象は OpenAI の毎分 $0.017 のライブエンドポイントです。ターン検出を備えた臨床向けファインチューンが必要で、早期アクセスのコンプライアンス上の立場を受け入れるなら ElevenAgents を選んでください。呼び出し可能なエンドポイント、公開価格、コンテキスト条件付けが必要で、自社の医薬品集でハルシネーションをテストする用意があるなら、OpenAI のライブレーンを選んでください。

文字起こしが文書であるなら、これは比較にならない。GPT Transcribe はより安価で、独立したベンチマークがあり、今日から呼び出せ、まさにファイル入力・テキスト出力というあなたのワークフローに適合するライセンスを備えている。その領域における ElevenLabs 自身の回答は Scribe v2 Medical で、時間あたり $0.20、臨床テスト音声において Scribe v2 よりエラーが 15% 少ない——実際の競合であり、このタイトルに登場するモデルとは別物だ。

この組み合わせの罠は、どちらの名前にも transcribe という語が含まれ、どちらのベンダーも単語誤り率を公表しているため、比較がひとりでに書けてしまうことにある。そうすべきではない。一方のモデルはファイルを読み、もう一方は人に耳を傾ける。まず時計を選び、その中で精度について議論せよ。