
Scribe v3 Live Medical vs Whisper Large v3 Turbo: Modellen du inte kan hyra vs den du kan äga
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
Whisper Large v3 Turbo är en modell med 809 miljoner parametrar under MIT-licensen som du kan ladda ner, kvantisera till ungefär 1,6 GB och köra på ett enda blygsamt grafikkort med ungefär åtta gånger så hög hastighet som Whisper Large v3. Scribe v3 Live Medical är en klinisk finjustering från ElevenLabs som du inte kan ladda ner, inte kan anropa via ett API och inte kan få tag på överhuvudtaget om du inte kör en agent inuti ElevenAgents. Att sätta dem i samma mening är märkligt tills man lägger märke till att de intar samma plats i ett verkligt beslut: båda är vad man tar till när ett transkriberingsverktyg för allmänna ändamål ständigt förvanskar "empagliflozin", och bara en av dem är tillgänglig för de flesta team.
Det är den verkliga jämförelsen. Inte noggrannhet – de två siffrorna stämmer inte överens – utan tillgänglighet, och vad den öppna baslinjen kostar dig i ingenjörsarbete för att täppa till en lucka som en leverantör inte säljer en sluten lösning för.
Elvaordsversionen av varför detta inte är en benchmarkstrid
ElevenLabs publicerade siffra för Scribe v3 Live Medical är 12,8 % ordfelsfrekvens på PriMock57, 57 simulerade primärvårdskonsultationer, jämfört med 15,5 % till 17,2 % för fyra konkurrerande medicinska och allmänna realtidsmodeller. Whisper Large v3 Turbos publicerade siffror är 2,1 % på LibriSpeech test-clean och 4,2 % på test-other – uppläst engelskt ljudbokstal, ett korpus som i åratal har varit den öppna standardbenchmarken och ligger ungefär så långt från ett telefonsamtal om ett recept som ljud kan komma.
Under LibriSpeech-förhållanden slår en öppen modell på 809M en klinisk finjusterad modell med bred marginal. I ett verkligt konsultationssamtal med ett dåligt headset är båda siffrorna brus. Ingen av siffrorna förutsäger den andra, och den som ställer upp dem sida vid sida och utropar en vinnare jämför en renrumsmätning av en batchmodell med en leverantörsutförd mätning av en streamingmodell. Den ärliga formuleringen är att den medicinska finjusteringen hävdar en fördel gentemot andra realtidsmodeller på kliniskt ljud, och Whisper hävdar en fördel gentemot andra öppna modeller på rent uppläst tal, och ingen av dessa påståenden berör det andra.
Vad Whisper Large v3 Turbo faktiskt är, och inte är
OpenAI:s destillering av Whisper Large v3, utgiven under MIT-licens i oktober 2024: 32 encoderlager och 4 decoderlager, ned från 32, vilket är där hastigheten kommer ifrån. Den körs i faster-whisper-, whisper.cpp-, ONNX- och GGUF-byggen, kvantiseras tillräckligt litet för en bärbar dator, täcker 99 språk och kostar inga licensavgifter oavsett om du kör den på en GPU eller i ett rack.
Vad det inte är, och detta är listan som spelar roll för en klinisk agent:
• Den streamar inte. Whispers arkitektur är uppbyggd kring ett fast 30-sekundersfönster, så "realtid" innebär att dela upp ljudet i bitar och köra om det, betala för överlappet och acceptera att transkriptionen släpar efter talet med så mycket du buffrar. Det finns ingen inbyggd ström av dellresultat och ingen turdetektering.
• Den diariserar inte. Ett enda ordflöde, inget begrepp om vem som sagt vad. För en tvåpersonskonsultation där både patienten och klinikern nämner läkemedel, får du lägga till en separat talaridentifieringsmodell eller acceptera en omärkt transkription.
• Det formaterar inte. Skiljetecken och skiftläge kommer ut precis som ljudet producerade dem, med tvekanden och allt. Ingen hantering av självkorrigeringar, inga stora begynnelsebokstäver i meningar, ingen struktur för kliniska anteckningar.
• Det är inte tränat för översättning, och det har ingen mekanism för domänbias. Det finns ingen nyckeltermlista för att förse det med formulariet, och ingen prompt som talar om att detta är ett kardiologisamtal. Antingen finjusterar du, efterbearbetar, eller accepterar felen.
Scribe v3 Live Medical är däremot uppbyggd nästan helt och hållet av de där fyra saknade sakerna: den strömmar, den har turprediktion som väntar ut ett medlems-ID, den hanterar upp till 10 000 anpassade kliniska termer utan kostnad, och den är en finjustering av en modell som tränats på konversation i stället för ljudböcker. ElevenLabs är öppna med var gränsen går – isolerade läkemedelsnamn utan omgivande kontext är det svåraste fallet för varje modell, och rådet är att använda nyckeltermer för att styra mot det du förväntar dig.

Den tekniska kostnaden för att själv stänga gapet
Det är här jämförelsen blir ett kalkylblad snarare än en topplista. Ett team som vill att Whisper Large v3 Turbo ska bete sig som en klinisk realtidstranskriberare måste bygga fyra saker:
• Ett streaming-wrapper – chunkat ljud, överlappande fönster, sammanslagning av delhypoteser och en egen endpointing-regel, eftersom Whisper inte ger dig någon. Räkna med att lägga rejält med tid på sömhanteringen; det är där de flesta egenbyggda röstagenter får sin värsta latens.
• En vokabulärmekanism – Whisper har ingen. Antingen finjusterar du på ditt eget kliniska ljud, vilket kräver märkta data som du förmodligen inte har, eller så efterkorrigerar du mot en lista över läkemedelsnamn, vilket är ett fuzzy-matchningsproblem som ger upphov till sin egen klass av självsäkra fel.
• En diariseringskörning – en andra modell, en andra latensbudget och ett sammanslagningssteg som måste anpassa talarvarv till Whispers ordtidsstämplar.
• Infrastruktur — GPU:er, autoskalning, en kö för batchvägen och någon i beredskap när maskinen som transkriberar 40 timmar om dagen brakar samman klockan 2 på natten.
Inget av det är oöverstigligt. Allt är arbete som en hanterad klinisk modell skulle ha tagit hand om, och den ärliga frågan är om teamets tid gör bättre nytta där eller med själva den kliniska produkten. För en forskargrupp eller ett plattformsteam som redan driver inferensinfrastruktur är svaret ofta ja – det är därför Whisper blev standard från början. För en digital hälsostartup med fem personer vars differentiator är sjuksköterskearbetsflödet är det vanligtvis nej.
Licensen är den verkliga fördelen, och det är inte en liten sådan.
Whispers MIT-licens innebär ingen leverantör, ingen mätning, ingen avgift per minut som växer med samtalsvolymen och inget krav på att patientljud lämnar ditt nätverk. För en verksamhet som omfattas är den sista punkten inte bara en trevlig extrafunktion. En självhostad Whisper-distribution i din egen VPC är en efterlevnadshistoria som din säkerhetsavdelning redan vet hur den ska godkänna: PHI passerar aldrig en leverantörsgräns, du bestämmer själv hur loggar ska bevaras, och det finns inget Business Associate Agreement att förhandla.
Mot detta säger ElevenLabs dokumentation för närvarande något som en compliance-ansvarig kommer att läsa två gånger: skicka inte skyddad hälsoinformation till Scribe v3 Live Medical förrän HIPAA-behörighet har bekräftats för modellen, och EU-datavistelse är inte tillgänglig under tidig åtkomst. Det allmänna uttalandet på sidan om medicinsk transkribering – HIPAA-berättigad för Enterprise-kunder med ett BAA och Zero Retention Mode – beskriver plattformen och den medicinska GA-produkten, Scribe v2 Medical. För realtidsmodellen med tidig åtkomst är varningen den mening som gäller.
Så den öppna baslinjen vinner regelefterlevnadsjämförelsen överlägset i dag, av en anledning som inte har något med noggrannhet att göra och allt att göra med pappersarbete som inte är färdigt.
Marginalkostnad, vid tre olika volymer
Whisper har en hårdvarukostnad och ingen mätare. Kör det på en GPU du redan äger och marginalkostnaden för en transkriberad minut närmar sig elen; hyr en och det är instanspriset dividerat med genomströmningen, vilket på moderna serveringsstackar är ett litet antal cent per ljudtimme. Vid tusen timmar i månaden täcker en enda hyrd GPU belastningen med marginal.
Scribe v3 Live Medical har ingen marginalkostnad för beräkning eftersom det inte säljs per minut — det ingår i en ElevenAgents-prenumeration som faktureras per konversationsminut och inkluderar LLM, telefoni och röst. ElevenLabs API-ankarpunkter, för de modeller du faktiskt kan mäta, är $0,22 per timme för Scribe v3 Live och $0,20 per timme för Scribe v2 Medical, med realtidsnyckeltermpromptning på $0,08 per timme.
Vid tio timmar i månaden är den hanterade vägen uppenbart billigare: ingen GPU att köpa, ingen pipeline att underhålla, och prenumerationen inkluderar agenten. Vid tiotusen timmar i månaden är självhostad Whisper billigare än varje publicerat minutpris, och ingen leverantör kommer någonsin att underbjuda marginalkostnaden för din egen hårdvara som kör MIT-vikter. Brytpunkten ligger, som alltid, där din ingenjörslön dividerad med de sparade timmarna hamnar under minutpriset — och för ett litet kliniskt team inträffar den senare än kalkylbladet antyder, eftersom pipelinen du bygger är en pipeline du underhåller för evigt.

Exakt var en router passar
Whisper ger dig text; något måste fortfarande läsa den och agera. I ett kliniskt arbetsflöde är det en andra modell – som skriver utkastet till anteckningen, extraherar läkemedelslistan, avgör om samtalet behöver en sjuksköterska – och det är den delen som skalar med samtalets längd snarare än med ljudets längd. OrcaRouter tillhandahåller 215 modeller bakom ett enda OpenAI-kompatibelt API med 0 % påslag, leverantörernas listpriser förs vidare oförändrade, med automatisk redundansväxling, så att den resonemangsmodellen kan vara en liten och snabb för svar tur för tur och en större för anteckningen i slutet av samtalet, med samma nyckel.
Var tydlig med gränserna: vi hostar inte Whisper Large v3 Turbo och vi hostar inte Scribe v3 Live Medical eller någon ElevenLabs-modell. Självhostad Whisper är din GPU; ElevenLabs medicinska modell är deras plattform. Det vi dirigerar är lagret ovanför båda.

Vilken, för vilket lag
Ta Whisper Large v3 Turbo om något av följande är sant: du behöver att transkriptionen stannar inom din egen perimeter, du transkriberar inspelat ljud snarare än live-samtal, din volym är tillräckligt hög för att en minutbaserad mätare ska vara den dominerande kostnaden, eller du har den tekniska kapaciteten att bygga streaming-, diariserings- och vokabulärlagren själv. På inspelat kliniskt ljud – dikterade anteckningar som granskas efter besöket – är Whisper plus en efterkorrigeringsrunda för läkemedelsnamn ett genuint starkt och genuint billigt svar, och dess MIT-licens tar bort en hel kategori av upphandlingsdiskussion.
Välj Scribe v3 Live Medical om ljudet är live, vokabulären är klinisk och agenten redan ska vara ElevenLabs. Turprediktionen och budgeten på 10 000 termer är sådant du annars skulle behöva bygga, resultatet på 12,8 % på PriMock57 är leverantörens eget men riktningen stämmer med vad varje leverantör av klinisk ASR rapporterar, och plattformen absorberar infrastrukturen. Vänta sedan med PHI tills varningen om tidig åtkomst tas bort från dokumentationssidan.
Och om du står helt utanför ElevenAgents – vilket gäller de flesta som läser detta – är det verkliga valet mellan Whisper och en anropbar medicinsk modell som Scribe v2 Medical, till $0.20 per timme med 15 % färre fel än Scribe v2 på kliniskt testljud. Scribe v3 Live Medical är den bättre modellen på papperet. Den erbjuds helt enkelt inte, och en modell som du inte kan köra är inte en konkurrent till en som du kan.
