
Scribe v3 Live Medical против Whisper Large v3 Turbo: модель, которую нельзя арендовать, против той, которой можно владеть
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 89 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 97 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaНОВИНКАOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 88 tok/s
- OrcaНОВИНКАOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 134 tok/s
- OrcaНОВИНКАOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 за 1 млн токенов · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Интеллект
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Интеллект
Whisper Large v3 Turbo — это модель на 809 миллионов параметров под лицензией MIT, которую можно скачать, квантовать примерно до 1,6 ГБ и запускать на одной скромной GPU примерно в восемь раз быстрее, чем Whisper Large v3. Scribe v3 Live Medical — это клинически дообученная версия от ElevenLabs, которую нельзя скачать, нельзя вызвать через API и вообще нельзя получить, если только вы не запускаете агента внутри ElevenAgents. Ставить их в одно предложение странно, пока не заметишь, что в реальном решении они занимают одну и ту же нишу: и то и другое — это то, к чему обращаешься, когда универсальный транскрибатор продолжает коверкать «empagliflozin», и только одно из них доступно большинству команд.
Вот в чём настоящее сравнение. Не точность — эти два числа не сходятся — а доступность и то, во что открытая база обходится вам в инженерном плане, чтобы закрыть пробел, для которого вендор не продаст вам закрытый вариант.
Версия в одиннадцать слов, почему это не битва за бенчмарки
Опубликованный ElevenLabs показатель для Scribe v3 Live Medical — 12,8% частоты ошибок в словах на PriMock57, 57 имитационных консультациях в первичном звене медицинской помощи, тогда как у четырёх конкурирующих медицинских и универсальных моделей реального времени этот показатель составляет 15,5–17,2%. Опубликованные показатели Whisper Large v3 Turbo — 2,1% на LibriSpeech test-clean и 4,2% на test-other: это начитанная английская речь из аудиокниг, корпус, который годами был стандартным открытым бенчмарком и примерно настолько же далёк от телефонного звонка о рецепте, насколько это вообще возможно для аудио.
В условиях LibriSpeech открытая модель на 809M значительно превосходит клинически дообученную. На реальной консультации с плохой гарнитурой оба числа — шум. Ни одна из цифр не предсказывает другую, и любой, кто ставит их рядом и объявляет победителя, сравнивает измерение пакетной модели в чистой комнате с измерением потоковой модели, проведённым поставщиком. Честная формулировка такова: медицинская дообученная модель заявляет преимущество перед другими моделями реального времени на клиническом аудио, а Whisper заявляет преимущество перед другими открытыми моделями на чистой читаемой речи, и ни одно из этих утверждений не касается другого.
Чем Whisper Large v3 Turbo на самом деле является, а чем — нет
Дистилляция Whisper Large v3 от OpenAI, выпущенная под лицензией MIT в октябре 2024 года: 32 слоя энкодера и 4 слоя декодера вместо 32 — именно отсюда берётся скорость. Она работает в сборках faster-whisper, whisper.cpp, ONNX и GGUF, квантуется достаточно компактно для ноутбука, поддерживает 99 языков и не требует никаких лицензионных платежей, независимо от того, запускаете ли вы её на одном GPU или на целой стойке.
Чем это не является — и именно этот список важен для клинического агента:
• Он не работает потоково. Архитектура Whisper построена вокруг фиксированного 30-секундного окна, поэтому «реальное время» означает разбиение аудио на фрагменты и повторный запуск — с затратами на перекрытие и принятием того, что транскрипт отстаёт от речи на величину буфера. Здесь нет встроенного потока частичных результатов и нет определения реплик.
• Она не выполняет диаризацию. Один поток слов, без понимания, кто что сказал. Для консультации с двумя участниками, где и пациент, и врач называют лекарства, вам придётся подключить отдельную модель разметки говорящих или согласиться на неразмеченную расшифровку.
• Форматирование не выполняется. Пунктуация и регистр выводятся в том виде, в каком они были в аудио, со всеми речевыми сбоями и оговорками. Самокоррекции не устраняются, регистр начала предложений не выставляется, структура клинической заметки отсутствует.
• Она не обучена переводу, и у неё нет механизма доменного смещения. Нет списка ключевых терминов, чтобы передать ей формуляр, и нет промпта, сообщающего ей, что это кардиологический звонок. Либо дообучайте, либо постобрабатывайте, либо миритесь с ошибками.
Scribe v3 Live Medical, напротив, почти полностью построен на тех четырёх недостающих вещах: он работает в потоковом режиме, у него есть предсказание очерёдности реплик, которое дожидается окончания идентификатора участника, он бесплатно поддерживает до 10 000 пользовательских клинических терминов, и это результат дообучения модели, обученной на разговорах, а не на аудиокнигах. ElevenLabs честно признаёт, где это заканчивается: изолированные названия лекарств без окружающего контекста — самый сложный случай для любой модели, и совет — использовать ключевые термины, чтобы сместить вероятность в сторону ожидаемого.

Инженерные затраты на самостоятельное закрытие разрыва
Именно здесь сравнение превращается в электронную таблицу, а не в таблицу лидеров. Команде, которая хочет, чтобы Whisper Large v3 Turbo работал как клинический транскрибер в реальном времени, придётся создать четыре вещи:
• Потоковая обёртка — аудио, разбитое на фрагменты, перекрывающиеся окна, объединение частичных гипотез и собственное правило определения конечной точки, потому что Whisper ничего такого не даёт. Готовьтесь потратить немало времени на обработку стыков; именно там большинство самодельных голосовых агентов получают наихудшую задержку.
• Механизм словаря — у Whisper его нет. Либо вы дообучаете модель на собственных клинических аудиозаписях, для чего нужны размеченные данные, которых у вас, вероятно, нет, либо выполняете посткоррекцию по списку названий лекарств — это задача нечёткого сопоставления, порождающая собственный класс уверенных ошибок.
• Проход диаризации — вторая модель, второй бюджет задержки и этап объединения, который должен согласовывать реплики говорящих с временными метками слов Whisper.
• Инфраструктура — GPU, автомасштабирование, очередь для пакетного пути и дежурный на случай, когда сервер, транскрибирующий 40 часов в день, падает в 2 часа ночи.
Ничто из этого не является непреодолимым препятствием. Всё это — работа, которую взяла бы на себя управляемая клиническая модель, и честный вопрос в том, лучше ли вашей команде потратить время на неё или на сам клинический продукт. Для исследовательской группы или платформенной команды, которая уже эксплуатирует инфраструктуру инференса, ответ часто «да» — именно поэтому Whisper изначально стал выбором по умолчанию. Для стартапа в сфере цифрового здравоохранения из пяти человек, чьё конкурентное преимущество — рабочий процесс медсестёр, ответ обычно «нет».
Лицензия — это настоящее преимущество, и оно немаленькое.
Лицензия MIT для Whisper означает отсутствие вендора, отсутствие счётчика, отсутствие поминутной платы, растущей с объёмом звонков, и отсутствие требования, чтобы аудиозаписи пациентов покидали вашу сеть. Для организации, подпадающей под регулирование (covered entity), последний пункт — не просто приятный бонус. Самостоятельно размещённое развёртывание Whisper в вашем собственном VPC — это история соответствия, которую ваша служба безопасности уже умеет одобрять: PHI никогда не пересекает границу вендора, срок хранения журналов устанавливаете вы, и не нужно согласовывать Business Associate Agreement.
На фоне этого документация ElevenLabs сейчас содержит фразу, которую сотрудник по комплаенсу прочитает дважды: не отправляйте защищённую медицинскую информацию в Scribe v3 Live Medical, пока для этой модели не подтверждено соответствие требованиям HIPAA, а размещение данных в ЕС недоступно в период раннего доступа. Общее утверждение на странице медицинской транскрипции — «соответствует требованиям HIPAA для корпоративных клиентов при наличии BAA и Zero Retention Mode» — описывает платформу и общедоступный (GA) медицинский продукт Scribe v2 Medical. Для модели реального времени в раннем доступе действующим является предупреждение.
Итак, открытый базовый вариант сегодня безусловно выигрывает сравнение на соответствие требованиям — по причине, которая не имеет никакого отношения к точности и целиком связана с незавершённой документацией.
Предельные издержки при трёх разных объёмах
Whisper требует аппаратных затрат и не имеет счётчика. Запустите его на GPU, которая у вас уже есть, — и предельная стоимость транскрибированной минуты приблизится к стоимости электроэнергии; арендуйте GPU — и это будет ставка за инстанс, делённая на пропускную способность, что на современных стеках обслуживания составляет несколько центов за час аудио. При тысяче часов в месяц одна арендованная GPU покрывает нагрузку с запасом.
Scribe v3 Live Medical не имеет предельных затрат на вычисления, поскольку он не продаётся по минутам — он входит в подписку ElevenAgents, которая тарифицируется по минутам разговора и включает LLM, телефонию и голос. Ориентиры API ElevenLabs для моделей, которые действительно можно тарифицировать, составляют $0,22 в час для Scribe v3 Live и $0,20 в час для Scribe v2 Medical, а подсказки ключевых терминов в реальном времени стоят $0,08 в час.
При десяти часах в месяц управляемый вариант очевидно дешевле: не нужно покупать GPU, не нужно поддерживать конвейер, а подписка включает агента. При десяти тысячах часов в месяц Whisper на собственном сервере дешевле любого поминутного тарифа, который когда-либо публиковался, и ни один поставщик никогда не сможет предложить цену ниже предельных издержек вашего собственного оборудования, работающего на весах под лицензией MIT. Точка перехода, как всегда, находится там, где зарплата вашего инженера, делённая на сэкономленные часы, оказывается ниже поминутной ставки, — и для небольшой клинической команды она наступает позже, чем подсказывает таблица, потому что конвейер, который вы создаёте, — это конвейер, который вы будете обслуживать вечно.

Где именно помещается роутер
Whisper отдаёт вам текст; но что-то ещё должно его прочитать и отреагировать. В клиническом процессе это вторая модель — она пишет черновик записи, извлекает список лекарств, решает, нужна ли для звонка медсестра, — и именно это звено масштабируется с длиной разговора, а не с длиной аудио. OrcaRouter предоставляет 215 моделей за одним API, совместимым с OpenAI, с наценкой 0%, цены провайдеров по прайс-листу передаются без изменений, с автоматическим переключением при сбоях, так что эта модель рассуждений может быть маленькой и быстрой для ответов в реальном времени, а более крупной — для итоговой записи после звонка, на одном и том же ключе.
Чётко обозначьте границы: мы не хостим Whisper Large v3 Turbo, а также не хостим Scribe v3 Live Medical или какую-либо модель ElevenLabs. Whisper при самостоятельном хостинге — это ваш GPU; медицинская модель ElevenLabs — это их платформа. То, что мы маршрутизируем, — это слой над обоими.

Какой именно, для какой команды
Выбирайте Whisper Large v3 Turbo, если верно хотя бы одно из следующего: вам нужно, чтобы расшифровка оставалась внутри вашего собственного периметра; вы расшифровываете записанное аудио, а не живые звонки; ваш объём достаточно высок, чтобы поминутная тарификация была доминирующей статьёй затрат; или у вас есть инженерные ресурсы, чтобы самостоятельно построить слои стриминга, диаризации и словаря. Для записанного клинического аудио — продиктованных заметок, которые проверяют после приёма, — Whisper плюс этап посткоррекции названий лекарств является по-настоящему сильным и по-настоящему недорогим решением, а его лицензия MIT устраняет целую категорию разговоров о закупке.
Берите Scribe v3 Live Medical, если аудио идёт в реальном времени, словарь клинический, а агент и так уже будет на ElevenLabs. Предсказание реплик и бюджет в 10 000 терминов — это то, что вам иначе пришлось бы создавать самим; результат 12,8% на PriMock57 — собственный результат поставщика, но направление согласуется с тем, что сообщает каждый поставщик клинических ASR, а платформа берёт инфраструктуру на себя. А с PHI повремените, пока со страницы документации не исчезнет предупреждение о раннем доступе.
Если же вы вообще не пользуетесь ElevenAgents — а это большинство тех, кто это читает, — реальный выбор между Whisper и вызываемой медицинской моделью вроде Scribe v2 Medical: $0.20 в час и на 15% меньше ошибок, чем у Scribe v2, на клиническом тестовом аудио. Scribe v3 Live Medical на бумаге лучше. Но её просто нет в предложении, а модель, которую вы не можете запустить, не конкурент той, которую можете.
