
Scribe v3 Live Medical vs Whisper Large v3 Turbo: O modelo que você não pode alugar vs. o que você pode possuir
- 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
O Whisper Large v3 Turbo é um modelo de 809 milhões de parâmetros sob a licença MIT que você pode baixar, quantizar para cerca de 1,6 GB e executar em uma única GPU modesta a aproximadamente oito vezes a velocidade do Whisper Large v3. O Scribe v3 Live Medical é um ajuste fino clínico da ElevenLabs que você não pode baixar, não pode chamar por uma API e não pode obter de forma alguma, a menos que esteja executando um agente dentro do ElevenAgents. Colocá-los na mesma frase é estranho até você perceber que eles ocupam o mesmo espaço em uma decisão real: ambos são aquilo a que você recorre quando um transcritor de uso geral continua deturpando "empagliflozin", e apenas um deles está disponível para a maioria das equipes.
Essa é a comparação real. Não a precisão — os dois números não batem — mas a disponibilidade, e o que o baseline aberto custa a você em engenharia para fechar uma lacuna para a qual um fornecedor não venderá uma solução fechada.
A versão em onze palavras de por que isto não é uma disputa de benchmark
A cifra publicada pela ElevenLabs para o Scribe v3 Live Medical é de 12,8% de taxa de erro de palavra no PriMock57, 57 consultas simuladas de atenção primária, contra 15,5% a 17,2% para quatro modelos concorrentes em tempo real, médicos e de uso geral. As cifras publicadas do Whisper Large v3 Turbo são 2,1% no LibriSpeech test-clean e 4,2% no test-other — fala lida de audiolivros em inglês, um corpus que tem sido o benchmark aberto padrão por anos e que está aproximadamente tão distante de uma ligação telefônica sobre uma receita médica quanto o áudio pode estar.
Nas condições do LibriSpeech, um modelo aberto de 809M supera um ajuste fino clínico por uma margem ampla. Numa consulta real com um fone de ouvido ruim, ambos os números são ruído. Nenhum dos números prevê o outro, e qualquer um que os coloque lado a lado e anuncie um vencedor está comparando uma medição em sala limpa de um modelo em lote com uma medição conduzida pelo fornecedor de um modelo de streaming. O enquadramento honesto é que o ajuste fino médico alega vantagem sobre outros modelos em tempo real em áudio clínico, e o Whisper alega vantagem sobre outros modelos abertos em fala lida limpa, e nenhuma das alegações toca a outra.
O que o Whisper Large v3 Turbo realmente é, e o que não é
A destilação do Whisper Large v3 pela OpenAI, lançada sob a licença MIT em outubro de 2024: 32 camadas de encoder e 4 camadas de decoder, reduzidas de 32, e é daí que vem a velocidade. Ela roda em builds faster-whisper, whisper.cpp, ONNX e GGUF, pode ser quantizada a ponto de caber em um laptop, cobre 99 idiomas e não custa nada em taxas de licença, seja para executar em uma GPU ou em um rack.
O que ele não é, e esta é a lista que importa para um agente clínico:
• Não faz streaming. A arquitetura do Whisper é construída em torno de uma janela fixa de 30 segundos, então "tempo real" significa dividir o áudio em blocos e reprocessá-los, pagando o custo da sobreposição e aceitando que a transcrição fica atrás da fala por tudo o que você colocar no buffer. Não há stream nativo de resultados parciais nem detecção de turno.
• Não faz diarização. Um único fluxo de palavras, sem noção de quem disse o quê. Para uma consulta entre duas pessoas, em que tanto o paciente quanto o profissional de saúde mencionam medicamentos, você acopla um modelo separado de rotulagem de falantes ou aceita uma transcrição sem rótulos.
• Ele não formata. A pontuação e o uso de maiúsculas e minúsculas saem como o áudio as produziu, incluindo todas as disfluências. Não há resolução de autocorreções, nem capitalização de frases, nem estrutura de nota clínica.
• Ele não foi treinado para tradução e não possui mecanismo de viés de domínio. Não há lista de termos-chave para entregar a ele o formulário, nem um prompt para informar que se trata de uma chamada de cardiologia. Ou você faz ajuste fino, ou faz pós-processamento, ou aceita os erros.
{{1}}Scribe v3 Live Medical{{/1}}, em {{2}}contraste{{/2}}, é construído quase inteiramente a partir dessas quatro coisas ausentes: ele faz streaming, tem previsão de turno que aguarda até o fim de um ID de membro, suporta até 10.000 termos clínicos personalizados sem custo e é um ajuste fino de um modelo treinado em conversação, e não em audiolivros. A ElevenLabs é franca sobre onde isso termina — nomes de medicamentos isolados, sem contexto ao redor, são o caso mais difícil para qualquer modelo, e a orientação é usar keyterms para direcionar a tendência para o que você espera.

O custo de engenharia de fechar a lacuna por conta própria
É aqui que a comparação se torna uma planilha, e não um ranking. Uma equipe que quer que o Whisper Large v3 Turbo se comporte como um transcritor clínico em tempo real precisa construir quatro coisas:
• Um wrapper de streaming — áudio em chunks, janelas sobrepostas, fusão de hipóteses parciais e uma regra de endpointing própria, porque o Whisper não fornece nenhuma. Prepare-se para dedicar tempo de verdade ao tratamento das emendas; é aí que a maioria dos agentes de voz caseiros tem sua pior latência.
• Um mecanismo de vocabulário — o Whisper não tem nenhum. Ou você faz fine-tuning no seu próprio áudio clínico, o que exige dados rotulados que você provavelmente não tem, ou faz pós-correção com base em uma lista de nomes de medicamentos, o que é um problema de correspondência difusa que gera sua própria classe de erro com alta confiança.
• Uma passagem de diarização — um segundo modelo, um segundo orçamento de latência e uma etapa de mesclagem que precisa alinhar os turnos de fala às temporizações das palavras do Whisper.
• Infraestrutura — GPUs, escalonamento automático, uma fila para o caminho em lote e alguém de plantão quando a máquina que transcreve 40 horas por dia cai às 2 da manhã.
Nada disso é proibitivo. Tudo isso é trabalho que um modelo clínico gerenciado teria absorvido, e a pergunta honesta é se o tempo da sua equipe é mais bem gasto aí ou no próprio produto clínico. Para um grupo de pesquisa ou uma equipe de plataforma que já opera infraestrutura de inferência, a resposta costuma ser sim — foi por isso que o Whisper se tornou o padrão em primeiro lugar. Para uma startup de saúde digital com cinco pessoas cujo diferencial é o fluxo de trabalho dos enfermeiros, geralmente é não.
A licença é a verdadeira vantagem, e não é uma vantagem pequena.
A licença MIT do Whisper significa que não há fornecedor, não há medição de uso, não há taxa por minuto que cresce com o volume de chamadas e não há exigência de que o áudio do paciente saia da sua rede. Para uma entidade coberta, esse último ponto não é um mero diferencial. Uma implantação auto-hospedada do Whisper dentro da sua própria VPC é uma história de conformidade que sua equipe de segurança já sabe como aprovar: as PHI nunca atravessam a fronteira de um fornecedor, a retenção de logs é definida por você e não há Business Associate Agreement para negociar.
Em contrapartida, a documentação da ElevenLabs atualmente diz algo que um responsável por conformidade lerá duas vezes: não envie informações de saúde protegidas ao Scribe v3 Live Medical até que a elegibilidade para HIPAA seja confirmada para o modelo, e a residência de dados na UE não está disponível durante o acesso antecipado. A declaração geral da página de transcrição médica — elegível para HIPAA para clientes Enterprise com um BAA e Modo de Retenção Zero — descreve a plataforma e o produto médico GA, Scribe v2 Medical. Para o modelo em tempo real de acesso antecipado, o aviso é a frase decisiva.
Portanto, a baseline aberta vence a comparação de conformidade de forma absoluta hoje, por um motivo que não tem nada a ver com precisão e tudo a ver com documentação que não está concluída.
Custo marginal, em três volumes diferentes
Whisper tem um custo de hardware e não tem medidor. Execute-o em uma GPU que você já possui e o custo marginal de um minuto transcrito se aproxima do custo de eletricidade; alugue uma e ele passa a ser a tarifa da instância dividida pela taxa de processamento, que, em pilhas de serviço modernas, é uma pequena quantidade de centavos por hora de áudio. Com mil horas por mês, uma única GPU alugada cobre a carga com folga.
Scribe v3 Live Medical não tem custo marginal de computação porque não é vendido por minuto — ele está dentro de uma assinatura ElevenAgents que cobra por minuto de conversa e inclui o LLM, a telefonia e a voz. Os preços de referência da API da ElevenLabs, para os modelos que você consegue realmente medir, são US$ 0,22 por hora para o Scribe v3 Live e US$ 0,20 por hora para o Scribe v2 Medical, com prompting de termos-chave em tempo real a US$ 0,08 por hora.
Com dez horas por mês, o caminho gerenciado é obviamente mais barato: nenhuma GPU para comprar, nenhum pipeline para manter, e a assinatura inclui o agente. Com dez mil horas por mês, o Whisper auto-hospedado é mais barato do que qualquer tarifa por minuto já publicada, e nenhum fornecedor jamais conseguirá ficar abaixo do custo marginal do seu próprio hardware rodando pesos MIT. O ponto de equilíbrio, como sempre, fica onde o seu salário de engenharia dividido pelas horas economizadas cai abaixo da tarifa por minuto — e, para uma pequena equipe clínica, ele fica mais tarde do que a planilha sugere, porque o pipeline que você constrói é um pipeline que você mantém para sempre.

Onde um roteador se encaixa, precisamente
O Whisper entrega o texto; algo ainda precisa lê-lo e agir. Em um fluxo de trabalho clínico, esse algo é um segundo modelo — redigindo a nota, extraindo a lista de medicamentos, decidindo se a ligação precisa de um enfermeiro — e é a etapa que escala com a duração da conversa, não com a duração do áudio. O OrcaRouter serve 215 modelos por trás de uma única API compatível com OpenAI, com 0% de markup, preços de tabela dos provedores repassados sem alteração, com failover automático, para que esse modelo de raciocínio possa ser um modelo pequeno e rápido para respostas a cada turno e um maior para a nota ao final da ligação, na mesma chave.
Seja claro sobre os limites: não hospedamos o Whisper Large v3 Turbo e não hospedamos o Scribe v3 Live Medical nem qualquer modelo da ElevenLabs. O Whisper auto-hospedado é a sua GPU; o modelo médico da ElevenLabs é a plataforma deles. O que roteamos é a camada acima de ambos.

Qual deles, para qual equipe
Escolha o Whisper Large v3 Turbo se qualquer uma das seguintes condições for verdadeira: você precisa que a transcrição permaneça dentro do seu próprio perímetro, você está transcrevendo áudio gravado em vez de chamadas ao vivo, seu volume é alto o suficiente para que a cobrança por minuto seja o custo dominante, ou você tem capacidade de engenharia para construir as camadas de streaming, diarização e vocabulário por conta própria. Em áudio clínico gravado — notas ditadas revisadas após a consulta — o Whisper mais uma etapa de pós-correção de nomes de medicamentos é uma resposta genuinamente forte e genuinamente barata, e sua licença MIT elimina toda uma categoria de conversa sobre aquisição.
Escolha o Scribe v3 Live Medical se o áudio for ao vivo, o vocabulário for clínico e o agente já for da ElevenLabs. A previsão de turno e o orçamento de 10.000 termos são coisas que você teria de construir de outra forma; o resultado de 12,8% no PriMock57 é do próprio fornecedor, mas a direção é consistente com o que todos os fornecedores de ASR clínico relatam; e a plataforma absorve a infraestrutura. Depois, aguarde para usar PHI até que o aviso de acesso antecipado saia da página de documentação.
E se você está totalmente fora da ElevenAgents — o que vale para a maioria das pessoas que lê isto —, a escolha real é entre Whisper e um modelo médico chamável como o Scribe v2 Medical, a US$ 0,20 por hora, com 15% menos erros que o Scribe v2 em áudio clínico de teste. O Scribe v3 Live Medical é o melhor modelo no papel. Ele simplesmente não está disponível, e um modelo que você não pode executar não é concorrente de um que você pode.
