
Scribe v3 Live Medical vs Gemini 3.5 Transcribe Live: 12,8% e 4,00% não são o mesmo número
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
Coloque os 12,8% do Scribe v3 Live Medical ao lado dos 4,00% do Gemini 3.5 Transcribe Live e a questão da transcrição em fluxo parece resolvida a favor do Google por um fator de três. Não está, e a razão é a coisa mais útil nesta página: esses dois números foram medidos em áudios diferentes, por organizações diferentes, para finalidades diferentes. Os 12,8% são a taxa de erro de palavras da ElevenLabs no PriMock57 — 57 consultas simuladas de cuidados primários gravadas, repletas de nomes de medicamentos, dosagens e frases pela metade. Os 4,00% são a taxa de erro de palavras em fluxo da Artificial Analysis para o Gemini 3.5 Transcribe Live no seu conjunto geral de avaliação de fala, com 0,40 segundos até uma transcrição final. Uma é uma consulta clínica; a outra é uma suíte de benchmark. Compará-los é o mesmo erro que comparar o consumo de combustível de um carro numa pista com o seu consumo de combustível no trânsito urbano e concluir que o motor mudou.
Deixe de lado a falsa comparação direta e resta uma escolha real, que diz respeito à implantação, e não à precisão. Gemini 3.5 Transcribe Live é um modelo que você invoca: gemini-3.5-transcribe-live, um endpoint WebSocket com preço por minuto publicado, um nível gratuito e um limite de sessão de dez minutos. Scribe v3 Live Medical é um modelo que você não pode invocar de forma alguma — ele existe apenas como uma opção de ASR dentro do ElevenAgents, em acesso antecipado, sem ID de modelo e sem tarifa própria. Um é infraestrutura. O outro é um recurso de uma plataforma de agentes. Qual você quer depende de você estar construindo um transcritor ou comprando um agente telefônico.
O que cada lado realmente publica
O contraste das especificações, dimensão por dimensão, conforme cada fornecedor declara:
• Acesso — Gemini 3.5 Transcribe Live é um endpoint WebSocket da Live API (gemini-3.5-transcribe-live) com um nível gratuito; Scribe v3 Live Medical é selecionável apenas nas configurações de Reconhecimento Automático de Fala de um agente ElevenAgents, e não por meio da API Speech to Text.
• Preço — Gemini 3.5 Transcribe Live custa US$ 3,50 por milhão de tokens de entrada de áudio e US$ 21,00 por milhão de tokens de saída de texto, o que o Google estima em US$ 0,005 e US$ 0,004 por minuto, respectivamente, cerca de US$ 0,009 por minuto no total; Scribe v3 Live Medical não tem preço separado e está incluído no preço do ElevenAgents.
• Precisão — Gemini: WER de streaming de 4,00% com 0,40 s até o resultado final, segundo a Artificial Analysis; Scribe: 12,8% de WER no PriMock57, execução realizada pelo fornecedor, contra 15,5%–17,2% de quatro modelos concorrentes em tempo real.
• Adaptação de domínio — Gemini: viés de vocabulário personalizado no modelo irmão de processamento em lote, com diarização e timestamps de palavras descritos no card do Gemini 3.5 Transcribe; Scribe: um ajuste fino clínico além de até 10.000 termos personalizados sem custo extra.
• Idiomas — Gemini: mais de 85 idiomas com troca no meio do fluxo; Scribe: mais de 90 idiomas, ganhos na área médica medidos em inglês, francês e alemão.
• Formato da sessão — Gemini: uma sessão WebSocket limitada a dez minutos; Scribe: dura o tempo da conversa do agente.
• Conformidade — Gemini: nenhum posicionamento médico ou relativo ao HIPAA que tenhamos conseguido encontrar na documentação do modelo; Scribe: elegível para HIPAA com um BAA e Modo de Retenção Zero, com um aviso explícito para não enviar PHI ao modelo em tempo real de acesso antecipado até que sua própria elegibilidade seja confirmada.
Duas dessas linhas decidem a maioria das decisões reais, e nenhuma delas é a precisão. O limite de dez minutos é arquitetural: uma sessão precisa ser emendada para qualquer coisa mais longa que uma pesquisa de call center, e a emenda é problema seu. A ausência de um preço para o modelo ElevenLabs é a outra: você não pode colocá-lo em uma tabela de preços, porque ele está dentro de uma assinatura que também cobra o LLM, a telefonia e a voz.

Transformando a linha de acurácia em algo que você possa usar
Há uma forma legítima de comparar esses dois, e ela exige executá-los, que é exatamente do que os gráficos de marketing existem para te poupar. O que se pode afirmar com base nas evidências publicadas é mais limitado:
Especificamente em conversas clínicas, o ElevenLabs tem um número medido e o Google não. Isso não é uma afirmação de que o Gemini 3.5 Transcribe Live seja ruim com nomes de medicamentos — é uma afirmação de que ninguém publicou uma métrica equivalente ao PriMock57 para ele. O mecanismo de vocabulário personalizado do Google é a ferramenta que ele oferece exatamente para esse problema, e o viés de vocabulário no modelo em lote está documentado; no endpoint Live, a documentação é mais escassa do que no seu equivalente em lote, e os recursos de diarização e de carimbo de data/hora por palavra descritos no card compartilhado do Gemini 3.5 Transcribe não são confirmados explicitamente por endpoint.
No áudio conversacional geral, o Google tem um número publicado de forma independente, e a ElevenLabs tem um número conduzido pelo fornecedor. Os 4,00% vêm de um tracker com um harness fixo e dezenas de modelos; os 12,8% vêm de um único conjunto de 57 consultas que a ElevenLabs escolheu e executou. Ambos são úteis. Nenhum dos dois sobrevive a ser subtraído do outro.
A versão prática: se sua carga de trabalho for chamadas clínicas, use uma amostra no estilo PriMock57 das suas próprias gravações — dois falantes, um formulário de medicamentos real no ambiente, pelo menos um interlocutor lendo um ID de membro — e execute os dois. Se for transcrição em streaming de uso geral com um pouco de jargão, o número publicado pelo Google é o ponto de partida mais auditável, e o viés de vocabulário dele dará conta da maior parte da carga do domínio.

A diferença clínica está nas pausas, não nas palavras
O recurso que a ElevenLabs criou e que a documentação do Google não descreve é a previsão de turno. O modelo de turno do Scribe v3 Live Medical usa o contexto da conversa em vez de apenas o silêncio para decidir que um chamador terminou, o que é a diferença entre um agente que responde após “meu ID de membro é 4-4-2” e um que espera pelo último dígito. Os próprios exemplos da ElevenLabs são exatamente as sequências que quebram a detecção de endpoint baseada em silêncio: IDs de membro, datas de nascimento, números de telefone e dosagens ditadas por extenso.
O Gemini 3.5 Transcribe Live leva o mesmo problema um nível acima na pilha. Sua documentação o descreve como um modelo de transcrição em streaming bidirecional; onde o turno termina é decidido pelo framework de agente que estiver acima dele, e a abordagem de agente de voz do Google passa pelo tratamento de turnos da própria Live API, em vez de um modelo de turnos específico para transcrição. Essa é uma arquitetura perfeitamente boa e é uma arquitetura diferente: você é dono da lógica de endpointing e vai ajustá-la. Em uma ligação clínica em que um paciente faz uma pausa no meio de um sintoma para pensar, esse ajuste não é cosmético.
A comparação de custos, feita com honestidade
O medidor do Google é transparente o suficiente para se construir um número em cima dele. Considere uma clínica com 40 horas de chamadas ao vivo por dia, 22 dias por mês: 52.800 minutos. Com o custo combinado estimado de US$ 0,009 por minuto, isso dá cerca de US$ 475 por mês pela etapa de transcrição, e é um item orçamentário que você pode prever, limitar e discutir na renovação.
O lado da ElevenLabs não produz um número comparável, e qualquer pessoa que cite um está adivinhando. A referência publicada mais próxima é a tabela de tarifas da API — Scribe v3 Live a US$ 0,22 por hora, prompting de termos-chave a US$ 0,08 por hora —, mas o Scribe v3 Live Medical não é vendido dessa forma. Ele está dentro do ElevenAgents, com preço por minuto de conversa, e a conversa inclui os tokens do LLM, a síntese de fala e a telefonia. Esse empacotamento é ou um desconto ou um lock-in, dependendo do que você teria montado de outra forma, e isso não pode ser resolvido a partir de uma página de preços.
Uma coisa que se transfere: se você acabar usando os dois — o Google para a transcrição e um LLM à sua escolha para o raciocínio —, é na segunda etapa que ficam as decisões de roteamento. O OrcaRouter disponibiliza 215 modelos por trás de uma única API compatível com OpenAI, com 0% de margem, repassando os preços de tabela dos provedores sem alteração, de modo que o modelo que lê a transcrição do Gemini pode ser trocado ou substituído em failover sem mexer no código de ASR. Não disponibilizamos nenhum dos dois modelos de transcrição nesta página, e nada do que está acima é o nosso preço.

Qual escolher
Escolha o Gemini 3.5 Transcribe Live se você está construindo o produto em vez de comprá-lo. Ele é o único dos dois que é um modelo invocável com preço publicado, uma camada gratuita para avaliação e um endpoint que você pode colocar por trás do ciclo do seu próprio agente. O limite de sessão de dez minutos é a restrição em torno da qual projetar, e a ausência de um benchmark clínico é a lacuna a preencher com seu próprio áudio e uma lista de vocabulário personalizada.
Escolha o Scribe v3 Live Medical se você já decidiu que o agente é um problema da ElevenLabs — e se a sua posição de conformidade permitir um modelo de acesso antecipado, o que a documentação atualmente afirma não ser permitido, para PHI, até que a elegibilidade seja confirmada. O ajuste fino clínico e o modelo de turno são vantagens reais em uma chamada ao vivo com paciente, e a diferença do PriMock57 para os modelos em tempo real concorrentes é a evidência publicada mais forte de que a adaptação clínica ajuda, em absoluto. Simplesmente não é evidência sobre o Gemini, e o Gemini não é evidência sobre ele.
O número a observar não é nenhum dos WER. É se o Scribe v3 Live Medical algum dia terá um ID de modelo próprio. No dia em que tiver, esta comparação torna-se normal — dois endpoints chamáveis, dois medidores, um benchmark que pode executar — e os 12,8% tornam-se algo que um comprador pode realmente verificar.
Comparados neste artigo1
Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente
