Cartão de título com os dizeres 'Scribe v3 Live Medical vs GPT Transcribe' e o subtítulo 'dois relógios diferentes'. Abaixo dele, uma linha do tempo de duas faixas: a faixa superior, rotulada 'durante a chamada', mostra uma forma de onda ao vivo alimentando uma transcrição que cresce palavra por palavra; a faixa inferior, rotulada 'após a chamada', mostra um arquivo de áudio finalizado alimentando uma transcrição completa em um único bloco.
Guides & Insights

Scribe v3 Live Medical vs GPT Transcribe: Dois Relógios Diferentes

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Estes dois modelos não são concorrentes, e a maneira mais rápida de desperdiçar um trimestre é tratá-los como se fossem um só. O GPT Transcribe é o modelo de conversão de fala em texto offline da OpenAI: você envia um arquivo de áudio finalizado para o endpoint de transcrições e recebe de volta uma transcrição completa e formatada. Ele não consegue ouvir uma chamada em andamento — a própria documentação da OpenAI afirma isso explicitamente e direciona quem precisa de streaming para gpt-live-transcribe ou gpt-realtime-whisperO Scribe v3 Live Medical tem o formato oposto: um ajuste fino clínico em tempo real que existe apenas dentro do ElevenAgents, transcrevendo chamadas de pacientes, membros e prestadores enquanto o interlocutor ainda está na linha, para que um agente possa reagir a uma dosagem antes que a frase tenha terminado.

A pergunta honesta, então, não é qual modelo é melhor. É em qual relógio seu fluxo de trabalho roda. Se uma pessoa ou um modelo precisa agir durante a conversa — responder a uma pergunta, consultar um benefício, identificar uma contraindicação —, o GPT Transcribe é desqualificado antes mesmo de começar qualquer comparação de precisão, e a única opção da OpenAI nessa categoria custa 3,8 vezes mais por minuto. Se a transcrição é um documento produzido posteriormente, o Scribe v3 Live Medical é inviável por um motivo completamente diferente: não tem API, não tem ID de modelo e não tem preço, e não pode ser chamado por nada que não seja um agente ElevenAgents.

O relógio no qual cada um funciona

A tarifa do GPT Transcribe é de US$ 0,0045 por minuto, ou US$ 0,27 por hora de áudio, e suas limitações são as limitações de um arquivo: o endpoint de transcrição da OpenAI aceita até 25 MB por solicitação, e o modelo retorna uma transcrição com dicas de idioma aplicadas. Não há resultado parcial, porque não há nada sobre o que ser parcial. Para uma visita gravada, uma nota ditada, um lote de chamadas arquivadas, este é exatamente o formato certo e é uma das formas mais baratas de extrair palavras do áudio.

A via de streaming da OpenAI é uma linha de produtos diferente, com uma tarifa diferente: gpt-live-transcribecobra US$ 0,017 por minuto, cerca de US$ 1,02 por hora de áudio. Esse é o preço do relógio — 3,8 vezes a tarifa de lote da transcrição do mesmo fornecedor, antes de qualquer discussão sobre precisão. É também onde a competência real de transcrição em tempo real da OpenAI de fato reside, e, se você está comparando transcrição ao vivo com transcrição ao vivo, esse é o modelo a comparar com o Scribe v3 Live, não com o GPT Transcribe.

O relógio do Scribe v3 Live Medical é a duração de uma conversa dentro do ElevenAgents. Não há arquivo. Há um fluxo em formato de WebSocket gerenciado pela plataforma, um modelo de turno que decide quando o interlocutor terminou de falar e uma transcrição que o agente consome para agir. A ElevenLabs não publica um número de latência para a variante médica; o número da família é que o Scribe v3 Live tem uma taxa de erro semântico de palavras 44% menor que o Scribe v2 Realtime, cujo tempo mediano até a transcrição confirmada é de cerca de 150 ms. A ElevenLabs diz que o ajuste fino médico tem a mesma latência do Scribe v3 Live.

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'.

Precisão: um número auditado, um número do fornecedor, sem sobreposição

O GPT Transcribe tem uma taxa de erro de palavra pública e medida de forma independente: 3,31% no benchmark AA-WER da Artificial Analysis, o que o colocou em nono lugar entre cerca de cinquenta sistemas monitorados na época de seu lançamento em julho de 2026, com pontuações parciais de 2,22% em áudio de conversa entre agentes, 2,72% no VoxPopuli e 6,10% em teleconferências de resultados. A dispersão dentro desse único número é a parte interessante — teleconferências de resultados, com seus sotaques, sobreposição de falas e jargões do setor, são quase três vezes mais difíceis para ele do que a fala limpa de agentes. Uma consulta clínica fica em algum ponto dessa dispersão, e ninguém mediu onde.

O número do Scribe v3 Live Medical é uma taxa de erro de palavra de 12,8% no PriMock57, o conjunto de 57 consultas simuladas de atenção primária escolhido pela ElevenLabs, contra 15,5% a 17,2% de quatro modelos em tempo real concorrentes na mesma rodada do fornecedor. Ele não é comparável a 3,31% em nenhuma direção, e não apenas por causa do corpus: os dois números vêm de arcabouços de avaliação diferentes, condições de áudio diferentes e, crucialmente, latências diferentes. Um modelo em lote pode analisar o arquivo inteiro; um modelo de streaming emite uma saída sem saber o que vem a seguir. O WER de streaming é sistematicamente pior que o WER em lote no mesmo áudio, e é por isso que a Artificial Analysis publica os dois em rankings separados.

A afirmação defensável: o GPT Transcribe é um modelo em lote bem medido, na casa dos baixos dígitos percentuais em fala geral; o Scribe v3 Live Medical é um modelo de streaming medido pelo fornecedor que supera seus pares em tempo real em áudio clínico em cerca de três pontos; e não há experimento público que os coloque na mesma gravação.

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.'

Adaptação de domínio, que é onde reside a verdadeira diferença

O vocabulário clínico é a própria razão pela qual o modelo ElevenLabs existe, e ele aborda o problema em duas frentes: um ajuste fino treinado para nomes de medicamentos, anatomia e patologia, e um mecanismo de termos-chave que aceita até 10.000 termos personalizados — um formulário terapêutico, uma lista de prestadores, um dicionário de especialidades — incluído sem custo adicional. A ElevenLabs é honesta sobre a limitação, em seu próprio FAQ: o modelo só aplica um termo quando o áudio é uma provável correspondência, e nomes de medicamentos isolados, sem contexto, são o caso mais difícil para qualquer modelo. Sua transcrição de exemplo é construída a partir do formato mais fácil: um nome de medicamento dentro de uma frase com uma dose associada.

A abordagem da OpenAI é instrução em vez de ajuste fino. O GPT Transcribe aceita listas de palavras-chave e um prompt de formato livre descrevendo sobre o que é o áudio, e, no lado em tempo real, o modelo carrega turnos transcritos anteriores como contexto. A própria medição da OpenAI desse condicionamento, em seu benchmark Context Aware ASR, elevou a precisão semântica de 38,5% para 44,6% no modelo ao vivo — um número relatado pelo fornecedor, que mede se o significado sobreviveu, e não se as palavras estavam corretas.

O trade-off prático, e ele é real: um modelo condicionado por prompt pode ser drasticamente melhor do que seu benchmark bruto quando você lhe diz o que esperar, e pode alucinar as palavras-chave que você forneceu. Coloque "metformin" no prompt e um modelo que não consegue ouvir a palavra com clareza pode produzi-la mesmo assim. Um modelo com viés por termos-chave degrada-se de forma mais suave, porque o viés desloca a probabilidade em vez de afirmar a presença. Nenhum dos dois modos de falha aparece em um ranking. Ambos aparecem em notas clínicas, onde uma dosagem alucinada é pior do que um espaço em branco.

A questão da conformidade é decidida pela forma, não pelo scorecard.

Para uma entidade coberta, esta é a seção que de fato encerra a avaliação. A ElevenLabs afirma que o Scribe v2 Medical — o equivalente em lote, aquele que você pode chamar pela API — é elegível para HIPAA com um Business Associate Agreement e o Zero Retention Mode, e que, com o ZRM habilitado, o áudio e a transcrição não são retidos após o processamento. Sua documentação acrescenta um aviso mais firme para o modelo de acesso antecipado em tempo real: não envie informações de saúde protegidas ao Scribe v3 Live Medical até que a elegibilidade para HIPAA seja confirmada para ele, e a residência de dados na UE não está disponível durante o acesso antecipado. Essas duas declarações coexistem no site da ElevenLabs e não são a mesma declaração.

Do lado da OpenAI, o endpoint de transcrição é uma API empresarial padrão, com a postura habitual de tratamento de dados; não é vendido como produto clínico e não traz nenhum ajuste fino médico. O que ele traz é a vantagem prática de ser um modelo em lote: o PHI sai do seu perímetro uma vez, em um arquivo que você escolheu, por uma duração que você conhece, e volta como texto que você mesmo armazena. Não há um fluxo persistente com o qual se preocupar.

Essa assimetria vai numa direção inesperada. Um pipeline em lote é mais fácil de tornar compatível justamente porque tem menos partes móveis, e, se seu fluxo de trabalho clínico tolera alguns minutos de atraso — documentação ambiente revisada após a consulta, uma nota redigida para um clínico assinar —, o GPT Transcribe com um prompt cuidadoso e uma lista de palavras-chave é um caso de conformidade mais simples do que um modelo em tempo real de acesso antecipado que ainda não é elegível para PHI.

Custo por mil chamadas, ambos os formatos

Mil chamadas clínicas de dez minutos são 10.000 minutos. No GPT Transcribe, isso custa US$ 45. Na via ao vivo da OpenAI, custa US$ 170. No Scribe v3 Live Medical, não há número a calcular, porque o modelo está dentro de uma assinatura ElevenAgents com preço por minuto de conversa, incluindo o LLM, a síntese de fala, a telefonia e a alternância de turnos. Se esse pacote é mais barato do que US$ 45 mais sua própria pilha de agentes depende inteiramente de quanto custa sua própria pilha de agentes, e o preço da ElevenLabs não pode ser decomposto em uma linha de ASR.

O que é decomponível é a parte de raciocínio, e é ela que escala com a duração da chamada, não com a duração do áudio. Um agente clínico que lê uma transcrição e decide algo chama um LLM a cada turno; a OrcaRouter serve 215 modelos por trás de uma única API compatível com OpenAI com 0% de margem, com os preços de tabela dos provedores repassados sem alteração, de modo que o modelo por trás de qualquer um dos transcritores pode ser trocado ou receber failover automático sem tocar no caminho de áudio. Não servimos o Scribe v3 Live Medical nem qualquer modelo de transcrição da OpenAI, e nenhuma das tarifas citadas acima é nossa.

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.

Como decidir

Se a transcrição precisar existir enquanto o interlocutor ainda estiver falando, o GPT Transcribe é o modelo errado, e a comparação honesta é com o endpoint ao vivo da OpenAI a US$ 0,017 por minuto. Vá para o ElevenAgents se quiser um ajuste fino clínico com detecção de turno e aceitar a posição de conformidade de acesso antecipado; vá para a via ao vivo da OpenAI se quiser um endpoint invocável, um preço publicado e condicionamento de contexto, e estiver disposto a testar alucinação no seu próprio formulário terapêutico.

Se a transcrição for um documento, não há comparação. O GPT Transcribe é mais barato, tem benchmark independente, pode ser acionado hoje e é licenciado exatamente para o fluxo de trabalho de arquivo para texto que você tem. A própria resposta da ElevenLabs nesse segmento é o Scribe v2 Medical a US$ 0,20 por hora, com 15% menos erros que o Scribe v2 em áudio de teste clínico — um concorrente real e diferente do modelo deste título.

A armadilha nesta dupla é que ambos os nomes contêm a palavra transcribe e ambos os fornecedores publicam uma taxa de erro de palavras, então a comparação parece se escrever sozinha. Não deveria. Um modelo lê arquivos; o outro escuta pessoas. Escolha o relógio primeiro, depois discuta a precisão dentro dele.