Karta tytułowa z napisem „Scribe v3 Live Medical” i podtytułem „kliniczny transkrybent, do którego nie da się zadzwonić”. Poniżej prosty schemat przepływu: słuchawka telefoniczna oznaczona jako „połączenie pacjenta”, zasilająca zaokrąglone pole oznaczone jako „ElevenAgents”, obok którego znajduje się wyszarzone i przekreślone pole oznaczone jako „Speech to Text API”.
Guides & Insights

Scribe v3 Live Medical: ElevenLabs zbudował kliniczny transkrybent, do którego nie można zadzwonić

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Najciekawszym faktem dotyczącym Scribe v3 Live Medical jest fakt wdrożeniowy, a nie wskaźnik dokładności: nie istnieje identyfikator modelu. ElevenLabs wdrożyło model, udokumentowało go, poddało benchmarkom na klinicznym audio, postawiło przed klientami z branży ochrony zdrowia — a następnie zamknęło jedyne drzwi, z których korzysta większość deweloperów. Działa on wewnątrz ElevenAgents, wybierany z listy rozwijanej ASR w ustawieniach agenta, i jest wyraźnie niedostępny przez Speech to Text API. Modelem API dla audio medycznego pozostaje Scribe v2 Medical, model wsadowy z września. Zatem to, co ElevenLabs ogłosiło 9 listopada 2026 r. w ramach premiery rodziny Scribe v3 — Scribe v3 i Scribe v3 Live do audio nagrywanego i w czasie rzeczywistym, a następnie medyczny fine-tuning czasu rzeczywistego trafiający do wczesnego dostępu — najlepiej rozumieć jako funkcję platformy noszącą nazwę modelu.

To ujęcie decyduje o tym, czy ta premiera ma dla ciebie znaczenie. Jeśli budujesz klinicznego agenta głosowego na środowisku uruchomieniowym agentów ElevenLabs, najlepszy medyczny ASR czasu rzeczywistego, jaki ma firma, jest teraz o jedno rozwijane menu stąd. Jeśli budujesz tego agenta gdziekolwiek indziej, ta premiera nic nie zmieniła w twoich opcjach, a opublikowany przez ElevenLabs wykres benchmarku jest wykresem dotyczącym modelu, którego nie możesz wynająć.

Co faktycznie wydano i kiedy

Dziennik zmian ElevenLabs datuje premierę rodziny na 9 listopada 2026 r.: scribe_v3 do nagranego dźwięku, zastępując scribe_v2 w istniejącym punkcie końcowym transkrypcji, oraz scribe_v3_live w czasie rzeczywistym przez WebSocket. Oba są udokumentowane jako względne poprawy wynoszące odpowiednio 27% i 44% — Scribe v3 obniża współczynnik błędów słów z 16,94% do 12,38% na FLEURS, a Scribe v3 Live deklaruje o 44% niższy semantyczny WER niż Scribe v2 Realtime. Żadna z tych liczb nie jest liczbą medyczną. To ogólne wartości dla rodziny, na której zbudowano wariant medyczny.

Wariant medyczny pojawia się osobno, w dokumentacji modelu i na stronie ElevenLabs poświęconej transkrypcji medycznej, z trzema cechami, które byłyby nietypowe w poście zapowiadającym premierę, a są zwyczajne w przypadku funkcji platformy:

• Dostępność — tylko ElevenAgents. Nie w interfejsie API zamiany mowy na tekst, brak identyfikatora modelu do przekazania.

• Status — wczesny dostęp, ograniczony do przestrzeni roboczych, w których jest włączony, i wymaga firmowego turn_v3 modelu tur.

• Koszt — brak osobnej stawki. ElevenLabs twierdzi, że jest to uwzględnione w standardowym cenniku ElevenAgents, z maksymalnie 10 000 niestandardowych terminów bez dodatkowych opłat.

Porównaj to z Scribe v2 Medical, który jest zwykłym produktem API: podaj scribe_v2_medical jako identyfikator modelu, zapłać 0,20 USD za godzinę, taką samą stawkę jak w Scribe v2. Model medyczny v3 nie został tak potraktowany. Otrzymał listę rozwijaną.

A section of the ElevenLabs medical transcription page headed 'Medical transcription built for live calls and recorded audio', with the line 'Two Speech to Text models for clinical language: Scribe v3 Live Medical for ElevenAgents, and Scribe v2 Medical for batch transcription', and a sample transcript reading 'He's on metformin 1000 twice a day, empagliflozin 10, and atorvastatin 40. A1C 8.4, eGFR 52, LDL 128'.

Twierdzenie, które ma znaczenie, ma charakter kliniczny i dotyczy małego publicznego zbioru.

Najważniejsza liczba, jaką ElevenLabs podaje dla Scribe v3 Live Medical, nie jest wynikiem FLEURS. To PriMock57 — 57 pozorowanych konsultacji podstawowej opieki zdrowotnej nagranych na potrzeby badań, który jest mały, publicznie dostępny i znacznie bliższy akustyce rzeczywistej rozmowy klinicznej niż mowa czytana. Na tym zbiorze ElevenLabs raportuje najniższy współczynnik błędów słów wśród testowanych modeli czasu rzeczywistego: 12,8% dla Scribe v3 Live Medical wobec 15,5% dla Universal-3.6 Pro Realtime od AssemblyAI w trybie medycznym, 16,3% dla Speechmatics Oak-1, 17,0% dla Deepgram Nova-3 Pharma i 17,2% dla Nova-3 Medical.

To są liczby podane przez dostawcę, uzyskane na wybranym przez dostawcę benchmarku, a rzetelna interpretacja jest zawężona: różnica 2,7 punktu do najbliższego konkurenta w jednym zestawie 57 konsultacji to realny sygnał, że dostrojenie kliniczne pomaga, ale nie jest gwarancją, że audio telefoniczne Twojej kliniki kardiologicznej będzie miało ten sam ranking. Nikt poza ElevenLabs tego nie odtworzył, a zestaw jest wystarczająco mały, że wariancja między połączeniami jest większa niż ta różnica.

Bardziej przydatna informacja jest ukryta we własnym FAQ strony poświęconej transkrypcji medycznej i jest wyjątkowo szczera: odosobnione nazwy leków bez kontekstu są najtrudniejszym przypadkiem dla każdego modelu, a rada ElevenLabs to stosowanie keyterm prompting, aby ukierunkować rozpoznawanie na oczekiwane terminy. To firma, która mówi ci, gdzie kończy się jej dostrajanie. Nazwa leku w zdaniu — „bierze metforminę 1000 dwa razy dziennie” — to problem rozwiązywalny, a przykładowy transkrypt na tej stronie jest zbudowany dokładnie na takim schemacie. Nazwa leku przeczytana osobno, tak jak może zrobić dzwoniący poproszony o powtórzenie recepty, pozostaje trudna dla wszystkich.

A single-column scoreboard titled 'Scribe v3 Live Medical — the scoreboard', with rows reading 'Availability: ElevenAgents only, no model ID', 'Status: early access, requires turn_v3', 'PriMock57 WER: 12.8%', 'Nearest rival on that set: 15.5%', 'Price: no separate rate, bundled' and 'PHI: docs say do not send yet', with a footer reading 'All figures vendor-reported by ElevenLabs; no independent reproduction.'

Detekcja tur to funkcja, która czyni go modelem medycznym

Ta część tego wydania, która zmieni odczucia agenta klinicznego, to nie dokładność. To przewidywanie tur. Strumieniowe ASR ogólnego przeznaczenia zatwierdza segment transkrypcji, gdy wykryje ciszę — dlatego agenci głosowi przerywają osobom odczytującym długie ciągi: identyfikator członka, datę urodzenia, numer telefonu, powoli literowaną dawkę. Model tur Scribe v3 Live Medical wykorzystuje kontekst rozmowy, aby zdecydować, kiedy dzwoniący faktycznie skończył, dzięki czemu agent przeczekuje pauzy w identyfikatorze członka, zamiast odpowiadać na pierwsze trzy cyfry.

To zachowanie jest cechą modelu turn_v3 sprzężonego z ASR i jest ogólnie dostępne w Scribe v3 Live, nie tylko w medycznie dostrojonym wariancie. To, co dodaje wariant medyczny, to leżące u jego podstaw ukierunkowanie słownikowe: rozpoznawanie terminów klinicznych, które wcześniej były przekręcane, w ponad 90 językach, z trybem wielojęzycznym, który nadąża, gdy dzwoniący przełącza język w trakcie rozmowy. ElevenLabs twierdzi, że poprawę dokładności medycznej zmierzono w języku angielskim, francuskim i niemieckim, co jest węższym twierdzeniem niż obsługa ponad 90 języków i warto je podać osobno.

Linia zgodności to ta, którą trzeba przeczytać dwa razy.

Strona ElevenLabs poświęcona transkrypcji medycznej podaje, że oba modele kwalifikują się do HIPAA w przypadku klientów Enterprise, którzy mają zawartą umowę Business Associate Agreement i włączony Zero Retention Mode, a także że przy włączonym ZRM dane wejściowe audio i wynikowy transkrypt nie są przechowywane po przetworzeniu. Na jej stronie dokumentacji dla Scribe v3 Live Medical znajduje się jednak stwierdzenie bardziej stanowcze i mniej wygodne: nie przesyłaj chronionych informacji zdrowotnych do Scribe v3 Live Medical, dopóki nie zostanie potwierdzona kwalifikacja do HIPAA dla tego modelu, a rezydencja danych w UE nie jest dostępna w okresie wczesnego dostępu.

Oba zdania znajdują się na stronie ElevenLabs i nie są tym samym zdaniem. Uzgodniona interpretacja jest taka, że ogólne podejście do zgodności w ochronie zdrowia — BAA, ZRM, SOC 2, GDPR — dotyczy platformy i ogólnie dostępnego produktu medycznego (GA), Scribe v2 Medical, natomiast model czasu rzeczywistego o wczesnym dostępie nie zakończył jeszcze własnych prac nad kwalifikowalnością. Dla podmiotu objętego przepisami decydujące jest ostrzeżenie w dokumentacji: model o wczesnym dostępie bez potwierdzonej kwalifikowalności HIPAA nie jest miejscem na PHI, niezależnie od tego, co sugeruje tabela porównawcza na stronie marketingowej. To stan tymczasowy, a zarazem jedyny fakt, który najprawdopodobniej wstrzyma przegląd zgodności w tym kwartale.

Ile to naprawdę kosztuje, szczerze mówiąc

Ponieważ Scribe v3 Live Medical nie ma własnego licznika, nie ma ceny za minutę do podania. Najbliższe opublikowane liczby to te, które rodzina modeli podaje w API: Scribe v3 za $0.20 za godzinę audio, Scribe v3 Live za $0.22 za godzinę, keyterm prompting za $0.08 za godzinę w modelach czasu rzeczywistego i $0.05 za godzinę w modelach wsadowych. Jeśli chcesz mieć wyobrażenie, ile kosztowałby model medyczny, gdyby kiedykolwiek trafił do API, to są stawki, które prawdopodobnie by odziedziczył — tak jak Scribe v2 Medical odziedziczył $0.20 po Scribe v2.

To, za co faktycznie płacisz dziś, to subskrypcja ElevenAgents, która łączy ASR z LLM agenta, telefonią, przejmowaniem tur i wywołaniami narzędzi. To rzeczywista różnica w kształcie, a nie tylko w liczbie: platforma agentowa wycenia za minutę rozmowy, a rozmowa obejmuje tokeny LLM i wyjście audio, więc udział transkrybera nie jest wyodrębnialny. Zespoły, które modelują koszty na minutę ASR, uznają ten pakiet za nieprzejrzysty; zespoły, które i tak zamierzały złożyć agenta, uznają go za tańszy niż suma części.

Skąd pochodzi rozumująca połowa agenta

Kliniczny agent głosowy to trzy modele w jednym płaszczu: coś, co słyszy, coś, co decyduje, i coś, co mówi. Scribe v3 Live Medical odpowiada za ten pierwszy — i to wyłącznie w ElevenAgents. Środek to część, którą możesz trasować niezależnie — model, który czyta transkrypcję, sprawdza regułę pokrycia, sporządza notatkę albo decyduje, że rozmowa wymaga człowieka. OrcaRouter umieszcza 215 modeli za jednym API przy 0% marży, przekazując cennik każdego dostawcy bez zmian, dzięki czemu model rozumujący nad transkrypcją można podmienić, przetestować w A/B lub przełączyć awaryjnie bez dotykania odnogi ASR.

Aby było jasne, co obsługujemy, a czego nie: OrcaRouter nie hostuje modeli Scribe v3 Live Medical, Scribe v3 Live ani żadnego modelu transkrypcji ElevenLabs, a żadna z powyższych stawek nie jest nasza. To, co routujemy, to część LLM potoku — modele Claude, Gemini, GPT, Qwen i DeepSeek, które agent kliniczny wywołuje po dotarciu słów. Ceny za nie są cenami dostawcy, bez narzutu.

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.

Kto powinien podjąć działania w tej sprawie, a kto powinien poczekać?

Jeśli korzystasz z ElevenAgents i odbierasz połączenia od pacjentów, ubezpieczonych lub świadczeniodawców — dotyczące umawiania wizyt, rejestracji, próśb o uzupełnienie recepty, pytań o świadczenia — argument za przełączeniem listy rozwijanej ASR jest oczywisty. Zyskujesz wzmocnienie słownictwa klinicznego, model obsługi tur, który czeka na wypowiedzenie identyfikatorów ubezpieczonych, oraz 10 000 własnych terminów — bez dodatkowej pozycji w cenniku. Wykres PriMock57 pochodzi od dostawcy, ale kierunek poprawy jest taki sam, jaki raportuje każdy dostawca klinicznego ASR, a lista funkcji jest wystarczająco konkretna, by ją przetestować.

Jeśli nie korzystasz z ElevenAgents, wstrzymaj się. Nic tutaj nie jest wywoływalne z Twojego stacku, a zamiennik, który ElevenLabs oferuje przez API, to model wsadowy z września: Scribe v2 Medical, o 15% mniej błędów niż Scribe v2 na zbiorze testowym Eka Medical ASR, 0,20 USD za godzinę, z uwzględnieniem keyterms i diarizacji. W przypadku dokumentacji ambientowej przetwarzanej po wizycie to rozsądny produkt i to ten z potwierdzonym podejściem do zgodności. W przypadku rozmowy na żywo Twoje opcje nadal sprowadzają się do modeli czasu rzeczywistego ogólnego przeznaczenia z listą fraz oraz do luki w dokładności, którą deklaruje medyczny fine-tuning.

Na co trzeba uważać, to nie aktualizacja benchmarku. To identyfikator modelu. Gdy scribe_v3_live_medical pojawi się w dokumentacji referencyjnej Speech to Text — albo gdy ostrzeżenie o wczesnym dostępie dotyczące PHI zniknie ze strony dokumentacji — stanie się to premierą, z którą programista spoza platformy ElevenLabs może coś zrobić. Do tego czasu jest to mocny argument za kupieniem platformy, i o to zapewne chodzi.