การ์ดชื่อเรื่องที่ระบุว่า 'Scribe v3 Live Medical' พร้อมคำบรรยายใต้ชื่อว่า 'เครื่องถอดความทางคลินิกที่คุณไม่สามารถโทรถึงได้' ด้านล่างเป็นแผนภาพลำดับขั้นอย่างง่าย: หูโทรศัพท์ที่มีป้ายกำกับว่า 'การโทรของผู้ป่วย' ส่งเข้าสู่กล่องมุมมนที่มีป้ายกำกับว่า 'ElevenAgents' โดยมีกล่องที่จางลงเป็นสีเทาและมีเส้นขีดฆ่าอยู่ข้าง ๆ ซึ่งมีป้ายกำกับว่า 'Speech to Text API'
Guides & Insights

Scribe v3 Live Medical: ElevenLabs สร้างเครื่องถอดความทางคลินิกที่คุณไม่สามารถโทรถึงได้

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

ข้อเท็จจริงที่น่าสนใจที่สุดเกี่ยวกับ Scribe v3 Live Medical เป็นข้อเท็จจริงด้านการนำไปใช้งาน ไม่ใช่ตัวเลขความแม่นยำ นั่นคือมันไม่มี model ID ElevenLabs เปิดตัวโมเดลนี้ จัดทำเอกสารประกอบ เบนช์มาร์กกับเสียงทางคลินิก นำไปให้ลูกค้าสายสุขภาพได้ใช้ แล้วก็ปิดประตูบานเดียวที่นักพัฒนาส่วนใหญ่ใช้กัน มันทำงานอยู่ภายใน ElevenAgents โดยเลือกจากดรอปดาวน์ ASR ในการตั้งค่าของเอเจนต์ และระบุชัดเจนว่าไม่พร้อมใช้งานผ่าน Speech to Text API โมเดล API สำหรับเสียงทางการแพทย์ยังคงเป็น Scribe v2 Medical ซึ่งเป็นโมเดลแบบแบตช์จากเดือนกันยายน ดังนั้นสิ่งที่ ElevenLabs ประกาศเมื่อวันที่ 9 พฤศจิกายน 2026 โดยเป็นส่วนหนึ่งของการเปิดตัวครอบครัว Scribe v3 ซึ่งประกอบด้วย Scribe v3 และ Scribe v3 Live สำหรับเสียงที่บันทึกไว้และเสียงแบบเรียลไทม์ โดยมีการปรับแต่งละเอียดสำหรับการแพทย์แบบเรียลไทม์ตามมาในระยะ early access นั้น ควรทำความเข้าใจว่ามันเป็นฟีเจอร์ของแพลตฟอร์มที่สวมชื่อโมเดลไว้มากกว่า

กรอบความคิดนี้เป็นตัวตัดสินว่าการเปิดตัวนี้มีความสำคัญกับคุณหรือไม่ หากคุณกำลังสร้างเอเจนต์เสียงทางคลินิกบน {{1}}รันไทม์เอเจนต์ของ ElevenLabs{{/1}} ระบบ ASR ทางการแพทย์แบบเรียลไทม์ที่ดีที่สุดที่บริษัทมีตอนนี้อยู่ห่างเพียงการเลือกจากเมนูแบบเลื่อนลงหนึ่งครั้ง หากคุณกำลังสร้างเอเจนต์นั้นบนแพลตฟอร์มอื่น การเปิดตัวนี้ไม่ได้เปลี่ยนแปลงตัวเลือกของคุณเลย และแผนภูมิ benchmark ที่ {{2}}ElevenLabs{{/2}} เผยแพร่ก็เป็นแผนภูมิเกี่ยวกับโมเดลที่คุณไม่สามารถเช่าใช้ได้

อะไรที่ปล่อยออกมาจริง และเมื่อไหร่

บันทึกการเปลี่ยนแปลงของ ElevenLabs ระบุวันเปิดตัวตระกูลโมเดลนี้เป็น 9 พฤศจิกายน 2026: scribe_v3 สำหรับไฟล์เสียงที่บันทึกไว้ โดยแทนที่ scribe_v2 บน endpoint การถอดเสียงที่มีอยู่ และ scribe_v3_live บน WebSocket แบบเรียลไทม์ ทั้งสองได้รับการระบุไว้ในเอกสารว่ามีการปรับปรุงแบบสัมพัทธ์ 27% และ 44% ตามลำดับ — Scribe v3 ลดอัตราความผิดพลาดระดับคำจาก 16.94% เหลือ 12.38% บน FLEURS และ Scribe v3 Live อ้างว่ามี WER เชิงความหมายต่ำกว่า Scribe v2 Realtime อยู่ 44% ไม่มีตัวเลขใดเป็นตัวเลขทางการแพทย์ ทั้งสองเป็นตัวเลขสำหรับงานทั่วไปของตระกูลโมเดลที่รุ่นย่อยทางการแพทย์สร้างขึ้นบนพื้นฐาน

ตัวแปรทางการแพทย์ปรากฏแยกต่างหาก ในเอกสารประกอบโมเดลและบนหน้าการถอดเสียงทางการแพทย์ของ ElevenLabs โดยมีคุณลักษณะสามประการที่จะดูผิดปกติหากอยู่ในโพสต์เปิดตัว และเป็นเรื่องปกติสำหรับฟีเจอร์ของแพลตฟอร์ม:

• ความพร้อมใช้งาน — เฉพาะ ElevenAgents เท่านั้น ไม่มีใน Speech to Text API และไม่มี model ID ให้ส่ง

• สถานะ — การเข้าถึงช่วงเริ่มต้น จำกัดเฉพาะเวิร์กสเปซที่เปิดใช้งานฟีเจอร์นี้ และต้องใช้ turn_v3 โมเดลของบริษัท

• ค่าใช้จ่าย — ไม่มีอัตราแยกต่างหาก ElevenLabs ระบุว่ารวมอยู่ในราคามาตรฐานของ ElevenAgents แล้ว โดยรองรับคำศัพท์กำหนดเองได้สูงสุด 10,000 คำโดยไม่มีค่าใช้จ่ายเพิ่มเติม

เทียบกับ Scribe v2 Medical ซึ่งเป็นผลิตภัณฑ์ API ปกติ: ส่ง scribe_v2_medical เป็น model ID จ่าย $0.20 ต่อชั่วโมง ในอัตราเดียวกับ Scribe v2 โมเดล medical v3 ไม่ได้รับการปฏิบัติแบบนั้น แต่ได้เป็นเมนูดรอปดาวน์แทน

A section of the ElevenLabs medical transcription page headed 'Medical transcription built for live calls and recorded audio', with the line 'Two Speech to Text models for clinical language: Scribe v3 Live Medical for ElevenAgents, and Scribe v2 Medical for batch transcription', and a sample transcript reading 'He's on metformin 1000 twice a day, empagliflozin 10, and atorvastatin 40. A1C 8.4, eGFR 52, LDL 128'.

ข้อกล่าวอ้างที่สำคัญคือข้อกล่าวอ้างทางคลินิก บนชุดข้อมูลสาธารณะขนาดเล็ก

ตัวเลขพาดหัวของ ElevenLabs สำหรับ Scribe v3 Live Medical ไม่ใช่ตัวเลข FLEURS แต่เป็น PriMock57 — การปรึกษาหารือด้านการดูแลปฐมภูมิจำลอง 57 ครั้งที่บันทึกไว้เพื่อการวิจัย ซึ่งมีขนาดเล็ก เป็นสาธารณะ และใกล้เคียงกับเสียงเชิงอะคูสติกของการโทรทางคลินิกจริงมากกว่าคำพูดที่อ่านออกเสียง ในชุดข้อมูลนั้น ElevenLabs รายงานอัตราความผิดพลาดระดับคำต่ำที่สุดในบรรดาโมเดลแบบเรียลไทม์ที่ทดสอบ: 12.8% สำหรับ Scribe v3 Live Medical เทียบกับ 15.5% สำหรับ Universal-3.6 Pro Realtime ของ AssemblyAI ในโหมดการแพทย์, 16.3% สำหรับ Oak-1 ของ Speechmatics, 17.0% สำหรับ Nova-3 Pharma ของ Deepgram และ 17.2% สำหรับ Nova-3 Medical

ตัวเลขเหล่านั้นเป็นตัวเลขที่ผู้ขายเป็นผู้ดำเนินการบนเบนช์มาร์กที่ผู้ขายเลือกเอง และการตีความอย่างตรงไปตรงมาก็แคบ: ช่องว่าง 2.7 จุดเมื่อเทียบกับคู่แข่งที่ใกล้ที่สุดบนชุดการปรึกษา 57 ครั้งเพียงชุดเดียว เป็นสัญญาณจริงว่าการปรับแต่งโมเดลให้เชี่ยวชาญเฉพาะทางคลินิกช่วยได้ และไม่ใช่การรับประกันว่าระบบเสียงโทรศัพท์ของคลินิกโรคหัวใจของคุณจะจัดอันดับตามนั้นเหมือนกัน ไม่มีใครนอก ElevenLabs ที่ทำซ้ำผลนี้ได้ และชุดข้อมูลมีขนาดเล็กพอที่ความแปรปรวนต่อการโทรจะมากกว่าช่องว่างนั้น

การเปิดเผยที่เป็นประโยชน์กว่าถูกซ่อนอยู่ใน FAQ ของหน้าถอดเสียงทางการแพทย์เอง และมันตรงไปตรงมาอย่างผิดปกติ: ชื่อยาที่ปรากฏโดด ๆ โดยไม่มีบริบทเป็นกรณีที่ยากที่สุดสำหรับทุกโมเดล และคำแนะนำของ ElevenLabs คือให้ใช้ keyterm prompting เพื่อให้การรู้จำโน้มเอียงไปยังคำที่คาดหมาย นั่นคือบริษัทที่กำลังบอกคุณว่าการ fine-tune ของตนไปได้แค่ไหน ชื่อยาภายในประโยค — “เขากิน metformin 1000 วันละสองครั้ง” — เป็นปัญหาที่แก้ได้ และตัวอย่างบทถอดเสียงในหน้านั้นก็สร้างขึ้นจากรูปแบบนั้นโดยตรง ส่วนชื่อยาที่ถูกอ่านออกมาโดด ๆ อย่างที่ผู้โทรอาจทำเมื่อถูกขอให้ทวนใบสั่งยา ยังคงยากสำหรับทุกคน

A single-column scoreboard titled 'Scribe v3 Live Medical — the scoreboard', with rows reading 'Availability: ElevenAgents only, no model ID', 'Status: early access, requires turn_v3', 'PriMock57 WER: 12.8%', 'Nearest rival on that set: 15.5%', 'Price: no separate rate, bundled' and 'PHI: docs say do not send yet', with a footer reading 'All figures vendor-reported by ElevenLabs; no independent reproduction.'

การตรวจจับการผลัดกันพูดคือฟีเจอร์ที่ทำให้มันเป็นโมเดลทางการแพทย์

ส่วนของรีลีสนี้ที่จะเปลี่ยนความรู้สึกของการใช้งานเอเจนต์ด้านคลินิกไม่ใช่ความแม่นยำ แต่คือการทำนายจุดจบของบทพูด (turn prediction) ระบบ ASR แบบสตรีมมิ่งสำหรับงานทั่วไปจะตัดบทถอดเสียงหนึ่งช่วงเมื่อตรวจพบความเงียบ ซึ่งเป็นสาเหตุที่เอเจนต์เสียงพูดขัดจังหวะผู้ที่กำลังอ่านข้อมูลยาว ๆ ออกมา ไม่ว่าจะเป็นรหัสสมาชิก วันเกิด หมายเลขโทรศัพท์ หรือขนาดยาที่สะกดทีละตัว โมเดล turn ของ Scribe v3 Live Medical ใช้บริบทของการสนทนาในการตัดสินใจว่าผู้โทรพูดจบจริงแล้วหรือยัง เอเจนต์จึงรอผ่านช่วงหยุดกลางรหัสสมาชิกแทนที่จะตอบกลับไปที่ตัวเลขสามตัวแรก

พฤติกรรมดังกล่าวเป็นคุณสมบัติของ turn_v3ซึ่งเป็นโมเดลที่ทำงานร่วมกับ ASR และมีให้ใช้งานโดยทั่วไปบน Scribe v3 Live ไม่ใช่เฉพาะรุ่นปรับละเอียดทางการแพทย์เท่านั้น สิ่งที่รุ่นทางการแพทย์เพิ่มเข้ามาคือการให้น้ำหนักคำศัพท์ที่อยู่เบื้องหลัง: การจดจำคำศัพท์ทางคลินิกที่เดิมถูกถอดความผิดเพี้ยน ใน 90+ ภาษา พร้อมโหมดหลายภาษาที่ตามทันเมื่อผู้โทรสลับภาษาระหว่างสาย ElevenLabs กล่าวว่าการปรับปรุงความแม่นยำทางการแพทย์นั้นวัดในภาษาอังกฤษ ฝรั่งเศส และเยอรมัน ซึ่งเป็นข้อกล่าวอ้างที่แคบกว่าการรองรับ 90+ ภาษา และควรระบุแยกต่างหาก

บรรทัด compliance คือสิ่งที่ต้องอ่านสองครั้ง

หน้าเพจถอดเสียงทางการแพทย์ของ ElevenLabs ระบุว่าโมเดลทั้งสองมีคุณสมบัติเข้าเกณฑ์ HIPAA สำหรับลูกค้า Enterprise ที่มี Business Associate Agreement (BAA) อยู่ในplace และเปิดใช้งาน Zero Retention Mode (ZRM) อยู่ และเมื่อเปิด ZRM ข้อมูลเสียงขาเข้าและข้อความถอดเสียงขาออกจะไม่ถูกเก็บรักษาไว้หลังการประมวลผล หน้าเอกสารประกอบสำหรับ Scribe v3 Live Medical กลับระบุสิ่งที่เด็ดขาดกว่าและไม่สะดวกกว่า: อย่าส่งข้อมูลสุขภาพที่ได้รับการคุ้มครอง (PHI) ไปยัง Scribe v3 Live Medical จนกว่าจะมีการยืนยันคุณสมบัติเข้าเกณฑ์ HIPAA สำหรับโมเดลนี้ และไม่มี EU data residency ให้ใช้ในช่วง early access

ทั้งสองประโยคอยู่บนเว็บไซต์ของ ElevenLabs เอง และไม่ใช่ประโยคเดียวกัน การตีความที่ปรับให้สอดคล้องกันคือ ท่าทีการปฏิบัติตามข้อกำหนดด้านการดูแลสุขภาพโดยทั่วไป — BAA, ZRM, SOC 2, GDPR — อธิบายถึงแพลตฟอร์มและผลิตภัณฑ์ทางการแพทย์ที่ GA แล้ว คือ Scribe v2 Medical ขณะที่โมเดลเรียลไทม์แบบ early-access ยังทำงานด้านการตรวจสอบสิทธิ์ของตนเองไม่เสร็จ สำหรับ covered entity คำเตือนในเอกสารคือสิ่งที่ต้องยึดถือ: โมเดล early-access ที่ยังไม่ได้รับการยืนยันความมีสิทธิ์ภายใต้ HIPAA ไม่ใช่ที่สำหรับ PHI ไม่ว่าตารางเปรียบเทียบในหน้าการตลาดจะสื่อเป็นนัยเช่นใด นั่นเป็นสถานะชั่วคราว และยังเป็นข้อเท็จจริงเดียวที่มีแนวโน้มมากที่สุดที่จะทำให้การตรวจสอบการปฏิบัติตามข้อกำหนดในไตรมาสนี้หยุดชะงัก

ราคาที่ต้องจ่ายจริง ๆ

เนื่องจาก Scribe v3 Live Medical ไม่มีมิเตอร์ของตัวเอง จึงไม่มีราคาต่อนาทีให้เสนอ ตัวเลขที่เผยแพร่ไว้และใกล้เคียงที่สุดคือตัวเลขที่ตระกูลผลิตภัณฑ์นี้ระบุไว้บน API ได้แก่ Scribe v3 ในราคา $0.20 ต่อชั่วโมงเสียง, Scribe v3 Live ในราคา $0.22 ต่อชั่วโมง, การพรอมป์ต์ด้วยคีย์เทอร์มในราคา $0.08 ต่อชั่วโมงสำหรับโมเดลเรียลไทม์ และ $0.05 ต่อชั่วโมงสำหรับโมเดลแบบแบตช์ หากคุณต้องการแบบจำลองในใจว่าค่าใช้จ่ายของโมเดลทางการแพทย์จะเป็นเท่าใดหากมันไปถึง API ได้ในสักวัน นี่คืออัตราที่มันมีแนวโน้มจะสืบทอดมา — ในลักษณะเดียวกับที่ Scribe v2 Medical สืบทอดราคา $0.20 ของ Scribe v2

สิ่งที่คุณจ่ายจริงในวันนี้คือการสมัครสมาชิก ElevenAgents ซึ่งรวม ASR เข้ากับ LLM ของเอเจนต์ โทรศัพท์ การจัดการผลัดกันพูด และการเรียกใช้เครื่องมือ นี่คือความแตกต่างที่แท้จริงในเชิงรูปแบบ ไม่ใช่แค่ตัวเลข: แพลตฟอร์มเอเจนต์คิดราคาต่อหนึ่งนาทีของการสนทนา และการสนทนารวมถึงโทเค็น LLM และเอาต์พุตเสียงด้วย ดังนั้นส่วนแบ่งของผู้ถอดเสียงจึงแยกออกมาไม่ได้ ทีมที่จำลองต้นทุนต่อนาทีของ ASR จะพบว่าชุดรวมนี้ไม่โปร่งใส ส่วนทีมที่ตั้งใจจะประกอบเอเจนต์อยู่แล้วจะพบว่ามันถูกกว่าผลรวมของแต่ละส่วน

ส่วนครึ่งที่ทำหน้าที่ให้เหตุผลของเอเจนต์มาจากไหน

วอยซ์เอเจนต์ทางคลินิกเปรียบเสมือนโมเดลสามตัวสวมเสื้อโค้ทตัวเดียว: ตัวที่ได้ยิน ตัวที่ตัดสินใจ และตัวที่พูด Scribe v3 Live Medical ครอบคลุมส่วนแรก และเฉพาะภายใน ElevenAgents เท่านั้น ส่วนตรงกลางคือส่วนที่คุณกำหนดเส้นทางได้อย่างอิสระ — โมเดลที่อ่านถอดความ ตรวจสอบกฎความครอบคลุม ร่างบันทึก หรือตัดสินว่าสายนั้นต้องการมนุษย์ OrcaRouter นำ โมเดล 215 ตัวไว้เบื้องหลัง API เดียวโดยไม่บวกกำไร 0%, ส่งผ่านราคาตามรายการของผู้ให้บริการแต่ละรายโดยไม่เปลี่ยนแปลง ดังนั้นโมเดลที่ใช้เหตุผลกับถอดความจึงสามารถสลับ ทดสอบแบบ A/B หรือสลับเมื่อล้มเหลวได้โดยไม่ต้องแตะส่วน ASR

เพื่อให้ชัดเจนว่าเราให้บริการและไม่ให้บริการอะไร: OrcaRouter ไม่ได้โฮสต์ Scribe v3 Live Medical, Scribe v3 Live หรือโมเดลถอดเสียงใด ๆ ของ ElevenLabs และอัตราค่าใช้จ่ายข้างต้นทั้งหมดไม่ใช่ของเรา สิ่งที่เราจัดเส้นทางคือฝั่ง LLM ของไปป์ไลน์ — โมเดล Claude, Gemini, GPT, Qwen และ DeepSeek ที่เอเจนต์ทางคลินิกเรียกใช้หลังจากคำพูดเข้ามาถึง ราคาของโมเดลเหล่านี้เป็นราคาของผู้ให้บริการเอง โดยไม่บวกเพิ่ม

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.

ใครควรดำเนินการกับเรื่องนี้ และใครควรรอ

หากคุณใช้งาน ElevenAgents และต้องรับสายจากผู้ป่วย สมาชิก หรือผู้ให้บริการ — ไม่ว่าจะเป็นการนัดหมาย การรับเข้าบริการ การขอเติมยา คำถามเกี่ยวกับสิทธิประโยชน์ — เหตุผลในการสลับดรอปดาวน์ ASR นั้นตรงไปตรงมา คุณจะได้การปรับเอนเอียงคำศัพท์ทางคลินิก โมเดลการสนทนาแบบเทิร์นที่รอให้ผู้เรียกให้ข้อมูลรหัสสมาชิกจนครบ และคำศัพท์กำหนดเอง 10,000 คำ โดยไม่มีค่าใช้จ่ายเพิ่มเติมเป็นรายการแยก ตาราง PriMock57 นั้นเป็นของผู้ขาย แต่ทิศทางของการปรับปรุงก็เป็นแบบเดียวกับที่ผู้ขาย ASR ทางคลินิกทุกรายรายงาน และรายการฟีเจอร์ก็เจาะจงพอที่จะนำไปทดสอบได้

ถ้าคุณไม่ได้ใช้ ElevenAgents ให้รอก่อน ไม่มีสิ่งใดในนี้ที่เรียกใช้ได้จากสแต็กของคุณ และสิ่งที่ ElevenLabs เสนอแทนผ่าน API คือโมเดลแบบแบตช์จากเดือนกันยายน: Scribe v2 Medical ซึ่งมีข้อผิดพลาดน้อยกว่า Scribe v2 15% บนชุดทดสอบ Eka Medical ASR ราคา $0.20 ต่อชั่วโมง รวมคีย์เทอมและการแยกผู้พูดไว้ด้วย สำหรับการจัดทำเอกสารแบบ ambient ที่ประมวลผลหลังการเข้ารับบริการ นั่นเป็นผลิตภัณฑ์ที่สมเหตุสมผล และเป็นตัวที่มีเรื่องราวด้านการปฏิบัติตามข้อกำหนดที่ยืนยันแล้ว สำหรับการโทรสด ตัวเลือกของคุณยังคงเป็นโมเดลเรียลไทม์เอนกประสงค์ พร้อมรายการวลี และช่องว่างความแม่นยำที่การไฟน์ทูนทางการแพทย์อ้างอยู่

สิ่งที่ต้องจับตาดูไม่ใช่การอัปเดต benchmark แต่คือ model ID เมื่อ scribe_v3_live_medicalปรากฏในเอกสารอ้างอิง Speech to Text — หรือเมื่อคำเตือนการเข้าถึงก่อนกำหนดเกี่ยวกับ PHI หายไปจากหน้าเอกสาร — สิ่งนี้จะกลายเป็นการเปิดตัวที่นักพัฒนานอกแพลตฟอร์มของ ElevenLabs สามารถลงมือทำได้ จนถึงตอนนั้น มันเป็นข้อโต้แย้งที่หนักแน่นสำหรับการซื้อแพลตฟอร์ม ซึ่งน่าจะเป็นประเด็นหลัก

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube