การ์ดชื่อเรื่องที่ระบุว่า 'Scribe v3 Live Medical vs Gemini 3.5 Transcribe Live' พร้อมคำบรรยายรอง '12.8% กับ 4.00% ไม่ใช่ตัวเลขเดียวกัน' ด้านล่างมีแถบแนวนอนสองแถบที่กำกับว่า 'PriMock57 clinical mock consultations' ที่ 12.8% และ 'Artificial Analysis general speech' ที่ 4.00% โดยแต่ละแถบติดป้ายระบุ benchmark ที่แถบนั้นสังกัด และคั่นด้วยเส้นแบ่งแนวตั้งแบบเส้นประ
Guides & Insights

Scribe v3 Live Medical กับ Gemini 3.5 Transcribe Live: 12.8% กับ 4.00% ไม่ใช่ตัวเลขเดียวกัน

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

เมื่อนำ 12.8% ของ Scribe v3 Live Medical ไปวางเทียบกับ 4.00% ของ Gemini 3.5 Transcribe Live คำถามเรื่องการถอดเสียงแบบสตรีมมิ่งก็ดูเหมือนจะได้ข้อสรุปว่าเข้าข้าง Google ไปแล้วถึงสามเท่า แต่ความเป็นจริงไม่ใช่เช่นนั้น และเหตุผลก็คือสิ่งที่มีประโยชน์ที่สุดบนหน้านี้: ตัวเลขสองจำนวนนั้นถูกวัดจากเสียงที่ต่างกัน โดยองค์กรที่ต่างกัน เพื่อวัตถุประสงค์ที่ต่างกัน 12.8% คืออัตราความผิดพลาดระดับคำของ ElevenLabs บน PriMock57 — การปรึกษาแบบจำลองด้านการดูแลปฐมภูมิที่บันทึกไว้ 57 ครั้ง ซึ่งเต็มไปด้วยชื่อยา ขนาดยา และประโยคที่พูดค้างไว้ ส่วน 4.00% คืออัตราความผิดพลาดระดับคำแบบสตรีมมิ่งของ Artificial Analysis สำหรับ Gemini 3.5 Transcribe Live บนชุดทดสอบเสียงทั่วไปของตน โดยใช้เวลา 0.40 วินาทีจนได้บทถอดเสียงฉบับสมบูรณ์ อันหนึ่งคือการปรึกษาทางคลินิก อีกอันคือชุดทดสอบมาตรฐาน การนำมาเปรียบเทียบกันเป็นความผิดพลาดแบบเดียวกับการเปรียบเทียบอัตราสิ้นเปลืองน้ำมันของรถบนสนามแข่งกับอัตราสิ้นเปลืองน้ำมันในสภาพจราจรในเมือง แล้วสรุปว่าเครื่องยนต์เปลี่ยนไป

ตัดการเปรียบเทียบแบบตัวต่อตัวที่ไม่ถูกต้องออกไป แล้วทางเลือกที่แท้จริงก็ยังคงอยู่ และมันเกี่ยวกับการนำไปใช้งานมากกว่าความแม่นยำ Gemini 3.5 Transcribe Live คือโมเดลที่คุณเรียกใช้ได้: gemini-3.5-transcribe-liveซึ่งเป็นปลายทาง WebSocket ที่มีราคาต่อนาทีที่ประกาศไว้ มีแพ็กเกจใช้งานฟรี และมีเพดานเซสชันสิบห้านาที Scribe v3 Live Medical เป็นโมเดลที่คุณเรียกใช้ไม่ได้เลย — มันมีอยู่เพียงในฐานะตัวเลือก ASR ภายใน ElevenAgents ในช่วง early access โดยไม่มี model ID และไม่มีอัตราค่าบริการของตัวเอง ตัวหนึ่งคือโครงสร้างพื้นฐาน อีกตัวคือฟีเจอร์ของแพลตฟอร์มเอเจนต์ สิ่งที่คุณต้องการขึ้นอยู่กับว่าคุณกำลังสร้างระบบถอดเสียงหรือซื้อเอเจนต์สำหรับโทรศัพท์

สิ่งที่แต่ละฝ่ายเผยแพร่จริง ๆ

การเปรียบเทียบสเปก ทีละมิติ ตามที่ผู้ขายแต่ละรายระบุไว้:

• การเข้าถึง — Gemini 3.5 Transcribe Live เป็นปลายทาง WebSocket ของ Live API (gemini-3.5-transcribe-live) ที่มีแพ็กเกจฟรี; Scribe v3 Live Medical เลือกได้เฉพาะในการตั้งค่า Automatic Speech Recognition ของเอเจนต์ ElevenAgents เท่านั้น และไม่สามารถเลือกผ่าน Speech to Text API ได้

• ราคา — Gemini 3.5 Transcribe Live อยู่ที่ $3.50 ต่อหนึ่งล้านโทเค็นอินพุตเสียง และ $21.00 ต่อหนึ่งล้านโทเค็นเอาต์พุตข้อความ ซึ่ง Google ประเมินไว้ที่ $0.005 และ $0.004 ต่อนาทีตามลำดับ หรือประมาณ $0.009 ต่อนาทีแบบรวม; Scribe v3 Live Medical ไม่มีราคาแยก และรวมอยู่ในราคาของ ElevenAgents

• ความแม่นยำ — Gemini: WER แบบสตรีมมิ่ง 4.00% ที่ 0.40 วินาทีจนถึงผลลัพธ์สุดท้าย ตามข้อมูลจาก Artificial Analysis; Scribe: WER 12.8% บน PriMock57 ซึ่งดำเนินการโดยผู้ขาย เทียบกับ 15.5%–17.2% สำหรับโมเดลเรียลไทม์คู่แข่งสี่รุ่น

• การปรับให้เข้ากับโดเมน — Gemini: การไบแอสคำศัพท์ที่กำหนดเองบนรุ่นพี่น้องแบบแบตช์ พร้อมการแยกผู้พูดและเวลาประทับระดับคำที่อธิบายไว้ในการ์ด Gemini 3.5 Transcribe; Scribe: การปรับละเอียดสำหรับงานคลินิกพร้อมคำศัพท์ที่กำหนดเองสูงสุด 10,000 คำโดยไม่มีค่าใช้จ่ายเพิ่มเติม

• ภาษา — Gemini: รองรับกว่า 85 ภาษาพร้อมการสลับภาษาได้กลางสตรีม; Scribe: รองรับกว่า 90 ภาษา โดยวัดผลประโยชน์ทางการแพทย์ในภาษาอังกฤษ ภาษาฝรั่งเศส และภาษาเยอรมัน

• ลักษณะเซสชัน — Gemini: เซสชัน WebSocket ที่จำกัดเวลาไว้ไม่เกินสิบ Minuten; Scribe: อยู่ได้ตลอดระยะเวลาของการสนทนากับเอเจนต์

• การปฏิบัติตามข้อกำหนด — Gemini: เราไม่พบการวางตำแหน่งด้านการแพทย์หรือ HIPAA ในเอกสารของโมเดล; Scribe: มีสิทธิ์ภายใต้ HIPAA พร้อม BAA และ Zero Retention Mode โดยมีคำเตือนชัดเจนว่าอย่าส่ง PHI ไปยังโมเดลเรียลไทม์แบบ early-access จนกว่าจะยืนยันสิทธิ์ของโมเดลนั้นเองได้

สองในแถวเหล่านั้นเป็นตัวกำหนดการตัดสินใจจริงส่วนใหญ่ และไม่มีสักตัวที่เป็นเรื่องความแม่นยำ เพดาน 10 นาทีเป็นข้อจำกัดเชิงสถาปัตยกรรม: หากต้องการเซสชันที่ยาวนานกว่าการสำรวจผ่านศูนย์บริการทางโทรศัพท์ ต้องนำเซสชันมาต่อกัน และรอยต่อนั้นเป็นปัญหาที่คุณต้องจัดการ ส่วนอีกเรื่องคือการที่ไม่มีราคาสำหรับโมเดล ElevenLabs: คุณไม่สามารถใส่ราคานั้นลงในเรทการ์ดได้ เพราะมันถูกรวมอยู่ใน subscription ที่เรียกเก็บเงินทั้ง LLM ระบบโทรศัพท์ และเสียงไปพร้อมกัน

A two-column scoreboard titled 'Scribe v3 Live Medical vs Gemini 3.5 Transcribe Live — the scoreboard', with the rows Access (ElevenAgents only vs Live API WebSocket), Price (bundled, no ASR rate vs about $0.009 per minute), Accuracy (12.8% PriMock57 vs 4.00% AA streaming WER), Adaptation (clinical fine-tune, 10,000 terms vs custom vocabulary biasing), Languages (90+ vs 85+) and Session (length of the agent call vs 10-minute cap), and a footer reading 'ElevenLabs figures vendor-run on PriMock57; Gemini figures per Artificial Analysis.'

เปลี่ยนแถวความแม่นยำให้เป็นสิ่งที่คุณนำไปใช้ได้

มีวิธีที่สมเหตุสมผลในการเปรียบเทียบสองสิ่งนี้ และวิธีนั้นต้องอาศัยการรันทั้งสอง ซึ่งเป็นสิ่งที่แผนภูมิทางการตลาดมีไว้เพื่อช่วยให้คุณไม่ต้องทำสิ่งนั้น สิ่งที่กล่าวได้จากหลักฐานที่เผยแพร่กลับแคบกว่า:

โดยเฉพาะในการสนทนาทางคลินิก ElevenLabs มีตัวเลขที่วัดได้ ส่วน Google ไม่มี นั่นไม่ใช่ข้อกล่าวอ้างว่า Gemini 3.5 Transcribe Live แย่ในการถอดชื่อยา — แต่เป็นข้อกล่าวอ้างว่าไม่มีใครเผยแพร่ตัวเลขที่เทียบเท่า PriMock57 สำหรับโมเดลนี้ กลไกคำศัพท์กำหนดเองของ Google คือเครื่องมือที่ Google เสนอสำหรับปัญหานี้โดยเฉพาะ และการให้น้ำหนักคำศัพท์ (vocabulary biasing) บนโมเดลแบบ batch มีเอกสารประกอบอยู่ ส่วนบน endpoint แบบ Live เอกสารประกอบนั้นบางกว่าคู่แบบ batch ของมัน และฟีเจอร์การแยกผู้พูด (diarization) และการประทับเวลาเป็นรายคำ (word timestamp) ที่อธิบายไว้บนการ์ด Gemini 3.5 Transcribe ที่ใช้ร่วมกัน ยังไม่ได้รับการยืนยันอย่างชัดเจนแยกตาม endpoint

ในเสียงบทสนทนาทั่วไป Google มีตัวเลขที่เผยแพร่โดยอิสระ ส่วน ElevenLabs มีตัวเลขที่ผู้ขายเป็นผู้ดำเนินการเอง ตัวเลข 4.00% มาจากตัวติดตามที่มีชุดทดสอบแบบคงที่และมีโมเดลหลายสิบตัว ส่วน 12.8% มาจากชุดให้คำปรึกษา 57 ครั้งชุดเดียวที่ ElevenLabs เลือกและดำเนินการเอง ทั้งสองตัวเลขมีประโยชน์ แต่ไม่มีตัวเลขใดที่ยังใช้ได้เมื่อนำไปลบออกจากอีกตัว

ฉบับใช้งานจริง: หากภาระงานของคุณคือสายโทรทางคลินิก ให้ยืมตัวอย่างการบันทึกเสียงของคุณเองในสไตล์ PriMock57 — มีผู้พูดสองคน มีบัญชียาจริงอยู่ในห้อง และมีผู้โทรอย่างน้อยหนึ่งคนอ่านรหัสสมาชิกออกมา — แล้วรันทั้งสองแบบ หากเป็นการถอดความแบบสตรีมมิ่งสำหรับงานทั่วไปที่มีศัพท์เฉพาะปนอยู่บ้าง ตัวเลขที่ Google เผยแพร่คือจุดเริ่มต้นที่ตรวจสอบได้ง่ายกว่า และการให้น้ำหนักคำศัพท์ของมันจะรับภาระส่วนใหญ่ของโดเมนไว้

The Artificial Analysis Speech to Text leaderboard, showing the heading 'Speech to Text AI Model & Provider Leaderboard' with the subtitle 'Compare word error rate, speed, and pricing across Speech to Text models and providers', the chart label 'AA-WER Index (Non-streaming)', and a grid of model bars with percentage labels.

ความแตกต่างทางคลินิกอยู่ที่จังหวะหยุด ไม่ใช่ถ้อยคำ

ฟีเจอร์ที่ ElevenLabs สร้างซึ่งเอกสารของ Google ไม่ได้อธิบายไว้คือการทำนายการผลัดกันพูด โมเดลการผลัดกันพูดของ Scribe v3 Live Medical ใช้บริบทของการสนทนาแทนการใช้ความเงียบเพียงอย่างเดียวเพื่อตัดสินว่าผู้โทรพูดจบแล้ว ซึ่งเป็นความแตกต่างระหว่างเอเจนต์ที่ตอบหลังจาก "หมายเลขสมาชิกของฉันคือ 4-4-2" กับเอเจนต์ที่รอจนถึงหลักสุดท้าย ตัวอย่างของ ElevenLabs เองก็เป็นข้อความที่ทำให้การตรวจจุดสิ้นสุดการพูดโดยอิงกับความเงียบล้มเหลวพอดี: หมายเลขสมาชิก วันเกิด หมายเลขโทรศัพท์ และขนาดยาที่สะกดออกมา

Gemini 3.5 Transcribe Live ดันปัญหาเดียวกันขึ้นไปอีกชั้นหนึ่งในสแตก เอกสารของผลิตภัณฑ์อธิบายว่าเป็นโมเดลถอดเสียงแบบสตรีมมิ่งสองทิศทาง จุดที่เทิร์นสิ้นสุดลงถูกกำหนดโดยเฟรมเวิร์กเอเจนต์ใดก็ตามที่อยู่เหนือขึ้นไป และแนวทาง voice-agent ของ Google ใช้การจัดการเทิร์นของ Live API เอง แทนที่จะเป็นโมเดลเทิร์นเฉพาะสำหรับการถอดเสียง นั่นเป็นสถาปัตยกรรมที่ดีมากและเป็นคนละแบบกัน คุณเป็นเจ้าของตรรกะการกำหนดจุดสิ้นสุดเสียง (endpointing) และคุณจะต้องปรับแต่งมัน ในการโทรทางคลินิกที่ผู้ป่วยหยุดคิดกลางอาการ การปรับแต่งนั้นไม่ใช่เรื่องผิวเผิน

การเปรียบเทียบต้นทุนที่ทำอย่างตรงไปตรงมา

มิเตอร์ของ Google โปร่งใสพอที่จะใช้คำนวณเป็นตัวเลขได้ ลองพิจารณาคลินิกที่ให้บริการสายโทรสด 40 ชั่วโมงต่อวัน 22 วันต่อเดือน: 52,800 นาที ด้วยอัตราเฉลี่ยประมาณ $0.009 ต่อนาที จะอยู่ที่ประมาณ $475 ต่อเดือนสำหรับส่วนงานถอดเสียง และเป็นรายการค่าใช้จ่ายที่คุณสามารถพยากรณ์ ตั้งเพดาน และใช้โต้แย้งได้ตอนต่อสัญญา

ฝั่ง ElevenLabs ไม่ได้ให้ตัวเลขที่เทียบกันได้ และใครก็ตามที่อ้างตัวเลขนั้นขึ้นมาก็เพียงเดา หลักยึดที่เผยแพร่ไว้และใกล้เคียงที่สุดคือตารางราคาของ API — Scribe v3 Live ราคา 0.22 ดอลลาร์ต่อชั่วโมง, keyterm prompting ราคา 0.08 ดอลลาร์ต่อชั่วโมง — แต่ Scribe v3 Live Medical ไม่ได้ขายในรูปแบบนั้น มันอยู่ภายใน ElevenAgents ซึ่งคิดราคาต่อ分鐘ของการสนทนา และการสนทนานั้นรวมถึงโทเคนของ LLM การสังเคราะห์เสียง และโทรศัพท์ไว้ด้วย การรวมเป็นแพ็กเกจเช่นนี้จะเป็นส่วนลดหรือเป็นการล็อกอินก็ได้ ขึ้นอยู่กับว่าคุณจะประกอบอะไรขึ้นมาเองหากไม่ใช้มัน และเรื่องนี้ตัดสินจากหน้าราคาไม่ได้

สิ่งหนึ่งที่ถ่ายทอดได้จริง: หากคุณลงเอยด้วยการใช้งานทั้งสองอย่าง — Google สำหรับการถอดเสียง และ LLM ที่คุณเลือกสำหรับการให้เหตุผล — ช่วงที่สองคือจุดที่การตัดสินใจด้าน routing อยู่ OrcaRouter ให้บริการ215 โมเดลผ่าน API เดียวที่เข้ากันได้กับ OpenAI โดยบวกเพิ่ม 0% โดยราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่เปลี่ยนแปลง ดังนั้น โมเดลที่อ่านบทถอดเสียงของ Gemini สามารถสลับหรือ failover ได้โดยไม่ต้องแตะโค้ด ASR. เราไม่ได้ให้บริการโมเดลถอดเสียงทั้งสองตัวในหน้านี้ และไม่มีสิ่งใดข้างต้นเป็นราคาของเรา

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.

เลือกอันไหนดี

เลือก Gemini 3.5 Transcribe Live หากคุณกำลังสร้างผลิตภัณฑ์ด้วยตัวเองแทนที่จะซื้อสำเร็จรูป ในสองตัวนี้ มีเพียงตัวนี้เท่านั้นที่เป็นโมเดลที่เรียกใช้งานได้ มีราคาที่เผยแพร่ มีระดับฟรีสำหรับการประเมิน และมี endpoint ที่คุณสามารถวางไว้เบื้องหลังลูปเอเจนต์ของคุณเองได้ เพดานเซสชัน 10 นาทีคือข้อจำกัดที่ต้องออกแบบให้รองรับ และการไม่มี benchmark ทางคลินิกคือช่องว่างที่ต้องปิดด้วยเสียงของคุณเองและรายการคำศัพท์เฉพาะที่กำหนดเอง

เลือก Scribe v3 Live Medical หากคุณตัดสินใจแล้วว่าเอเจนต์เป็นปัญหาของ ElevenLabs — และหากจุดยืนด้านการปฏิบัติตามกฎระเบียบของคุณอนุญาตให้ใช้โมเดล early-access ซึ่งเอกสารระบุในปัจจุบันว่าไม่อนุญาตสำหรับ PHI จนกว่าจะยืนยันสิทธิ์ได้ การ fine-tune ทางคลินิกและโมเดล turn เป็นข้อได้เปรียบจริงในการสนทนากับผู้ป่วยแบบสด และช่องว่างของ PriMock57 เมื่อเทียบกับโมเดลเรียลไทม์คู่แข่งก็เป็นหลักฐานที่เผยแพร่ซึ่งแข็งแกร่งที่สุดว่าการปรับให้เข้ากับบริบททางคลินิกช่วยได้จริงอย่างน้อยก็ในระดับหนึ่ง มันไม่ใช่หลักฐานเกี่ยวกับ Gemini และ Gemini ก็ไม่ใช่หลักฐานเกี่ยวกับโมเดลนี้

ตัวเลขที่ต้องจับตาดูไม่ใช่ WER ไม่ว่าจะเป็นตัวไหน แต่คือว่า Scribe v3 Live Medical จะมี model ID ของตัวเองในสักวันหรือไม่ วันที่มันมี การเปรียบเทียบนี้จะกลายเป็นเรื่องปกติ — สอง endpoint ที่เรียกใช้ได้ สองมาตรวัด หนึ่ง benchmark ที่คุณรันได้ — และ 12.8% จะกลายเป็นสิ่งที่ผู้ซื้อตรวจสอบได้จริง

การเปรียบเทียบในบทความนี้1

ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube