
Scribe v3 Live Medical 対 Whisper Large v3 Turbo:借りられないモデルと、所有できるモデル
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 89 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 88 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 134 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100万トークンあたり · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955知能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855知能
Whisper Large v3 Turboは、MITライセンスの下で提供される8億900万パラメータのモデルで、ダウンロードして約1.6 GBに量子化し、手頃なGPU 1枚でWhisper Large v3の約8倍の速度で実行できる。Scribe v3 Live MedicalはElevenLabsによる臨床向けファインチューニングモデルだが、ダウンロードもAPI経由の呼び出しもできず、ElevenAgents内でエージェントを実行していない限りそもそも入手できない。両者を同じ文に入れるのは奇妙だが、実際の意思決定において両者が同じ枠を占めていると気づけばそうでもない。汎用の文字起こしツールが「empagliflozin」を何度も誤変換し続けるときに頼るものはどちらも同じであり、そしてほとんどのチームが利用できるのはそのうち一方だけだ。
それが実際の比較だ。正確性ではない——二つの数値は一致しない——が、可用性、そして、ベンダーがギャップを埋めるためのクローズドなものを売ってくれない中で、そのギャップを埋めるのにオープンベースラインがエンジニアリング上どれだけのコストを要するか、だ。
これがベンチマーク対決ではない理由の11語版
ElevenLabsが公表しているScribe v3 Live Medicalの数値は、PriMock57(57件の模擬プライマリケア診療)における単語誤り率12.8%で、競合するリアルタイム医療用・汎用モデル4種の15.5%~17.2%に対するものです。Whisper Large v3 Turboの公表値は、LibriSpeech test-cleanで2.1%、test-otherで4.2%です。これは英語のオーディオブック音声を読み上げたもので、何年にもわたり標準的なオープンベンチマークであり続けているコーパスであり、処方薬に関する電話とは音声としておよそ最もかけ離れたものです。
LibriSpeech条件では、809Mのオープンモデルが臨床向けファインチューニングを大差で上回る。悪いヘッドセットでの実際の診察では、どちらの数値もノイズだ。どちらの数値も他方を予測せず、それらを並べて勝者を宣言する人は、バッチモデルのクリーンルーム測定と、ストリーミングモデルのベンダー実施測定を比較している。正直な捉え方はこうだ。医療向けファインチューニングは臨床音声において他のリアルタイムモデルに対する優位性を主張しており、Whisperはクリーンな朗読音声において他のオープンモデルに対する優位性を主張しており、どちらの主張も他方には関係しない。
Whisper Large v3 Turboとは実際に何であり、何ではないのか
OpenAIによるWhisper Large v3の蒸留モデルは、2024年10月にMITライセンスで公開されました。エンコーダー32層とデコーダー4層を備え、デコーダーは32層から削減されており、速度の源はここにあります。faster-whisper、whisper.cpp、ONNX、GGUFビルドで動作し、ラップトップ向けに十分小さく量子化でき、99言語をカバーし、1台のGPUでもラックでもライセンス料はかかりません。
そうではないもの、そしてこれこそが臨床エージェントにとって重要なリストです:
• ストリーミングは行いません。Whisper のアーキテクチャは固定の30秒ウィンドウを中心に構築されているため、「リアルタイム」とは音声をチャンクに分割して再実行することを意味し、そのオーバーラップ分のコストを払い、バッファした分だけ文字起こしが発話より遅れることを受け入れることになります。ネイティブの部分結果ストリームはなく、ターン検出もありません。
• 話者分離は行いません。言葉はひとつの流れとして扱われ、誰が何を言ったかという概念はありません。患者と臨床医の両方が薬剤名を挙げる2者面談では、別の話者ラベリングモデルを後付けするか、ラベルなしの文字起こしを受け入れることになります。
• 整形は行いません。句読点や大文字・小文字の使い分けは音声が生成したまま、言い淀みも含めてそのまま出力されます。自己修正の解決も、文頭の大文字化も、診療記録としての構造化も行われません。
• 翻訳用に訓練されておらず、ドメインバイアス機構もありません。医薬品集を渡すためのキータームリストも、これが心臓科の通話だと伝えるプロンプトもありません。ファインチューニングするか、後処理するか、エラーを受け入れるかです。
対照的に、Scribe v3 Live Medical は、先ほど挙げた4つの欠けていた要素によってほぼ全面的に成り立っています。ストリーミングに対応し、会員IDを言い終えるまで待つターン予測を備え、最大1万件のカスタム臨床用語を無料で扱え、オーディオブックではなく会話で学習したモデルをファインチューニングしたものです。ElevenLabs は、その限界がどこにあるかについて率直です。周囲の文脈が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であり、期待する内容に寄せるために keyterms を使うよう助言しています。

自分でギャップを埋めるためのエンジニアリングコスト
ここが、比較がリーダーボードではなくスプレッドシートになるポイントです。Whisper Large v3 Turbo を臨床向けのリアルタイム文字起こしツールのように動作させたいチームは、次の4つを構築する必要があります:
• ストリーミングラッパー — チャンク化された音声、重複するウィンドウ、部分仮説のマージ、そして独自のエンドポインティング規則。Whisper は何も提供してくれないからです。継ぎ目の処理にはそれなりの時間をかける覚悟をしてください。自作の音声エージェントの多くが、最悪のレイテンシを出すのはまさにそこです。
• 語彙メカニズム — Whisper にはそれがありません。自院の臨床音声でファインチューニングするにしても、おそらくお持ちでないラベル付きデータが必要ですし、薬剤名リストに照らして後補正するにしても、それはファジーマッチングの問題であり、独自の種類の自信過剰なエラーを生みます。
• ダイアリゼーションのパス — 2つ目のモデル、2つ目のレイテンシ予算、そして話者ターンをWhisperの単語タイミングに整列させる必要があるマージ工程。
• インフラ — GPU、オートスケーリング、バッチ処理経路用のキュー、そして1日40時間分を文字起こしするマシンが午前2時にダウンしたとき、オンコールで対応してくれる誰か。
そのどれもが障壁になるわけではない。それはすべて、マネージド臨床モデルなら引き受けていたはずの作業であり、率直に問うべきは、チームの時間をそこに使う方がよいのか、臨床プロダクトそのものに使う方がよいのかということだ。推論インフラをすでに運用している研究グループやプラットフォームチームなら、答えはしばしばイエスだ——そもそもWhisperがデフォルトになったのはそのためだ。看護師のワークフローを差別化要因とする5人規模のデジタルヘルススタートアップなら、通常はノーだ。
ライセンスこそが本当の利点であり、しかもそれは小さな利点ではありません。
WhisperのMITライセンスなら、ベンダーは不要、従量メーターも不要、通話量に応じて増える分単位の料金も不要で、患者の音声をネットワーク外に出す必要もありません。適用対象事業者にとって、この最後の点は「あれば嬉しい」程度の話ではありません。自社のVPC内にWhisperをセルフホストで導入することは、セキュリティチームがすでに承認方法を理解しているコンプライアンス上の説明になります。PHIがベンダーの境界を越えることはなく、ログの保持期間は自社で設定でき、ビジネスアソシエイト契約を交渉する必要もありません。
それに対して、ElevenLabsのドキュメントは現在、コンプライアンス担当者が思わず二度読みするようなことを記しています。すなわち、Scribe v3 Live Medical についてはモデルのHIPAA適格性が確認されるまで保護対象保健情報を送信しないこと、また早期アクセス期間中はEUデータレジデンシーが利用できないことです。医療文字起こしページの一般的な記述——BAAおよびZero Retention Modeを備えたエンタープライズ顧客はHIPAA適格——は、プラットフォームとGA版の医療製品である Scribe v2 Medical を説明したものです。早期アクセスのリアルタイムモデルについては、この警告文こそが実効的な文となります。
オープンベースラインが今日コンプライアンス比較で完全に勝利しているが、その理由は精度とは何の関係もなく、未完了の書類作業にすべて関係している。
3つの異なる生産量における限界費用
Whisperにはハードウェアコストがかかり、従量課金メーターはありません。すでに所有しているGPUで実行すれば、文字起こし1分あたりの限界コストは電気代に近づきます。レンタルする場合は、インスタンス料金をスループットで割ったものになり、最新のサービングスタックでは音声1時間あたり数セント程度です。月1,000時間なら、レンタルGPU1台で余裕を持って負荷をカバーできます。
Scribe v3 Live Medical は分単位で販売されていないため、計算上の限界費用はかかりません。これは、会話の分単位で課金され、LLM、電話、音声を含む ElevenAgents サブスクリプションの内部にあります。実際に計測できるモデルについての ElevenLabs の API アンカーは、Scribe v3 Live が 1 時間あたり $0.22、Scribe v2 Medical が 1 時間あたり $0.20 で、リアルタイムのキータームプロンプティングは 1 時間あたり $0.08 です。
月10時間なら、マネージド型の方が明らかに安い。GPUを買う必要も、パイプラインを保守する必要もなく、サブスクリプションにはエージェントが含まれている。月1万時間なら、セルフホストのWhisperはこれまで公表されたどの分単位課金よりも安く、MITライセンスの重みを自社ハードウェアで動かす場合の限界費用を、どのベンダーも下回ることはできない。分岐点は、いつものように、エンジニア給与を節約できた時間で割った値が分単位の料金を下回る地点にある。そして小規模な臨床チームでは、それはスプレッドシートが示唆するよりも遅く訪れる。なぜなら、構築するパイプラインは永遠に保守し続けるパイプラインだからだ。

ルーターがどこに当てはまるか、正確に
Whisperはテキストを渡してくれますが、それを読み取って行動に移す何かが依然として必要です。臨床ワークフローにおいて、それは第二のモデルです — 診療記録の下書きを作成し、薬剤リストを抽出し、その通話に看護師が必要かどうかを判断するモデルであり、音声の長さではなく会話の長さに応じてスケールする部分でもあります。OrcaRouterは0%のマークアップで、1つのOpenAI互換APIの背後から215のモデルを提供し、プロバイダーの定価はそのまま透過、自動フェイルオーバーを備えているため、その推論モデルは、ターンごとの応答には小さく高速なものを、通話終了時の記録にはより大きなものを、同じキーで使い分けられます。
境界を明確にします。当社はWhisper Large v3 Turboをホストしておらず、Scribe v3 Live MedicalやElevenLabsのモデルもホストしていません。セルフホスト型Whisperはお客様のGPU上で動作し、ElevenLabsの医療モデルは同社のプラットフォーム上にあります。当社がルーティングするのは、その両方の上位レイヤーです。

どちらを、どのチームに
次のいずれかに当てはまるなら、Whisper Large v3 Turbo を採用してください。文字起こしを自社の境界内に留めておく必要がある、ライブ通話ではなく録音済み音声を文字起こしする、分単位の課金が主要コストになるほど量が多い、またはストリーミング、話者分離、語彙の各レイヤーを自社で構築できるエンジニアリング能力がある。録音された臨床音声、つまり診察後に見直す口述メモでは、Whisper と薬剤名の後補正パスを組み合わせたものが、本当に強力で本当に安価な答えであり、その MIT ライセンスによって調達に関する会話のカテゴリが丸ごと不要になる。
音声がライブで、語彙が臨床向けで、エージェントがすでにElevenLabsのものになる予定なら、Scribe v3 Live Medicalを選んでください。ターン予測と10,000タームの予算は、本来なら自分で構築するものですが、PriMock57での12.8%という結果はベンダー自身によるものの、その方向性は臨床ASRベンダーが例外なく報告している内容と一致しており、プラットフォームがインフラを吸収します。その後、ドキュメントページから早期アクセスの警告が消えるまで、PHIについては待ってください。
そして、{{1}}ElevenAgents{{/1}}の完全に外側にいる場合——この記事を読んでいるほとんどの人がそうですが——実際の選択は、Whisper と、{{2}}Scribe v2 Medical{{/2}} のような呼び出し可能な医療モデルとの間になります。後者は、{{3}}1時間あたり $0.20 で、臨床テスト音声では {{4}}Scribe v2{{/4}} よりエラーが 15% 少ない{{/3}}モデルです。{{5}}Scribe v3 Live Medical{{/5}} は紙の上ではより優れたモデルです。ただ単に提供されていないのであり、実行できないモデルは、実行できるモデルの競合相手にはなりません。
