การ์ดชื่อเรื่องที่อ่านว่า 'Scribe v3 Live Medical vs GPT Transcribe' พร้อมคำโปรย 'สองนาฬิกาที่ต่างกัน' ด้านล่างเป็นไทม์ไลน์สองเลน: เลนบนมีป้ายกำกับว่า 'ระหว่างการโทร' แสดงรูปคลื่นสดที่ป้อนเข้าสู่บทถอดความซึ่งค่อย ๆ เพิ่มขึ้นทีละคำ ส่วนเลนล่างมีป้ายกำกับว่า 'หลังการโทร' แสดงไฟล์เสียงที่เสร็จสมบูรณ์แล้วป้อนเข้าสู่บทถอดความที่สมบูรณ์ในบล็อกเดียว
Guides & Insights

Scribe v3 Live Medical vs GPT Transcribe: สองนาฬิกาที่แตกต่างกัน

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

สองโมเดลนี้ไม่ใช่คู่แข่งกัน และวิธีที่เร็วที่สุดในการทำให้ไตรมาสหนึ่งสูญเปล่าคือการปฏิบัติต่อทั้งสองราวกับเป็นโมเดลเดียว GPT Transcribe เป็นโมเดลถอดเสียงพูดเป็นข้อความแบบออฟไลน์ของ OpenAI: คุณส่งไฟล์เสียงที่เสร็จแล้วไปยัง endpoint transcriptions แล้วจะได้รับข้อความถอดเสียงที่จัดรูปแบบครบถ้วนกลับมา มันไม่สามารถฟังการโทรที่กำลังดำเนินอยู่ได้ เอกสารของ OpenAI เองระบุไว้อย่างชัดเจน และชี้ให้ผู้ที่ต้องการสตรีมมิ่งไปที่ gpt-live-transcribe หรือ gpt-realtime-whisperแทน Scribe v3 Live Medical มีรูปแบบตรงกันข้าม: เป็นโมเดลปรับแต่งเฉพาะทางคลินิกแบบเรียลไทม์ที่มีอยู่เฉพาะภายใน ElevenAgents โดยถอดเสียงการโทรระหว่างผู้ป่วย สมาชิก และผู้ให้บริการ ขณะที่ผู้โทรยังคงอยู่บนสาย เพื่อให้เอเจนต์สามารถตอบสนองต่อขนาดยาได้ก่อนที่ประโยคจะจบลง

ดังนั้นคำถามที่ตรงไปตรงมาจึงไม่ใช่รุ่นไหนดีกว่า แต่เป็นว่าเวิร์กโฟลว์ของคุณเดินตามนาฬิกาเรือนไหน หากมนุษย์หรือโมเดลต้องลงมือระหว่างบทสนทนา — ตอบคำถาม ค้นหาสิทธิประโยชน์ จับข้อห้ามใช้ — GPT Transcribe ก็หมดสิทธิ์ก่อนการเปรียบเทียบความแม่นยำจะเริ่มขึ้นด้วยซ้ำ และตัวเลือกเดียวของ OpenAI ในช่องทางนั้นมีราคาแพงกว่า 3.8 เท่าต่อนาที หากทรานสคริปต์เป็นเอกสารที่สร้างขึ้นภายหลัง Scribe v3 Live Medical ก็ใช้งานไม่ได้ด้วยเหตุผลที่ต่างออกไปโดยสิ้นเชิง: ไม่มี API ไม่มี model ID และไม่มีราคา และไม่สามารถเรียกใช้จากสิ่งใดที่ไม่ใช่เอเจนต์ ElevenAgents

นาฬิกาที่แต่ละคนใช้เดินตาม

อัตราคิดค่าบริการของ GPT Transcribe อยู่ที่ $0.0045 ต่อนาที หรือ $0.27 ต่อชั่วโมงเสียง และข้อจำกัดของมันก็คือข้อจำกัดของไฟล์: endpoint สำหรับถอดเสียงของ OpenAI รองรับได้สูงสุด 25 MB ต่อคำขอ และโมเดลจะคืนบทถอดเสียงโดยนำคำใบ้ภาษามาใช้ ไม่มีผลลัพธ์แบบบางส่วน เพราะไม่มีอะไรที่ต้องแบ่งเป็นบางส่วน สำหรับการเยี่ยมที่บันทึกไว้ บันทึกที่พิมพ์ตามคำบอก หรือชุดสายที่เก็บถาวร นี่คือรูปแบบที่เหมาะสมที่สุดและเป็นหนึ่งในวิธีที่ถูกกว่าในการดึงคำออกมาจากเสียง

ช่องทางสตรีมมิ่งของ OpenAI เป็นผลิตภัณฑ์อีกสายหนึ่งที่มีอัตราค่าใช้จ่ายต่างออกไป: gpt-live-transcribeคิดค่าบริการนาทีละ $0.017 หรือประมาณ $1.02 ต่อชั่วโมงเสียง นั่นคือราคาที่ต้องจ่ายสำหรับการทำงานตามเวลาจริง — สูงกว่าอัตราแบบแบตช์สำหรับการถอดเสียงของผู้ให้บริการรายเดียวกันถึง 3.8 เท่า ก่อนจะพูดถึงความแม่นยำกันเสียอีก และยังเป็นจุดที่ความสามารถด้านการถอดเสียงแบบเรียลไทม์ของ OpenAI อยู่จริง ๆ ด้วย หากคุณกำลังเปรียบเทียบการถอดเสียงแบบสดกับการถอดเสียงแบบสด นั่นคือโมเดลที่ควรนำไปเทียบกับ Scribe v3 Live ไม่ใช่ GPT Transcribe

นาฬิกาของ Scribe v3 Live Medical คือความยาวของบทสนทนาภายใน ElevenAgents ไม่มีไฟล์ มีสตรีมรูปทรง WebSocket ที่แพลตฟอร์มจัดการ โมเดลเทิร์นที่ตัดสินใจว่าผู้โทรพูดจบเมื่อใด และทรานสคริปต์ที่เอเจนต์นำไปใช้เพื่อดำเนินการ ElevenLabs ไม่ได้เผยแพร่ตัวเลขความหน่วงสำหรับเวอร์ชันทางการแพทย์; ตัวเลขของตระกูลคือ Scribe v3 Live มีอัตราความผิดพลาดคำเชิงความหมายต่ำกว่า Scribe v2 Realtime 44% โดย Scribe v2 Realtime มีค่ามัธยฐานของเวลาจนถึงทรานสคริปต์ที่คอมมิตแล้วอยู่ที่ประมาณ 150 มิลลิวินาที ElevenLabs กล่าวว่าการไฟน์ทูนทางการแพทย์มีความหน่วงเท่ากับ Scribe v3 Live

A page from the OpenAI developer documentation on file transcription, headed 'File transcription' with the description 'Convert recorded speech into text', next to a sidebar listing 'Add transcription context', 'GPT-Live' and 'Speaker diarization'.

ความแม่นยำ: ตัวเลขที่ผ่านการตรวจสอบหนึ่งค่า ตัวเลขจากผู้ขายหนึ่งค่า โดยไม่ทับซ้อนกัน

GPT Transcribe มีอัตราคำผิดพลาดที่วัดโดยอิสระและเปิดเผยต่อสาธารณะอยู่ที่ 3.31% บนเกณฑ์มาตรฐาน AA-WER ของ Artificial Analysis ซึ่งจัดให้อยู่ในอันดับที่ 9 จากระบบที่ติดตามอยู่ราว 50 ระบบ ณ ช่วงเวลาที่เปิดตัวในเดือนกรกฎาคม 2026 โดยมีคะแนนย่อย 2.22% สำหรับเสียงพูดแบบเอเจนต์ 2.72% สำหรับ VoxPopuli และ 6.10% สำหรับการประชุมรายงานผลประกอบการ สิ่งที่น่าสนใจคือการกระจายตัวภายในตัวเลขเดียวนี้ — การประชุมรายงานผลประกอบการซึ่งมีทั้งสำเนียง การพูดทับกัน และศัพท์เฉพาะทางนั้นยากสำหรับมันเกือบสามเท่าเมื่อเทียบกับเสียงพูดของเอเจนต์ที่ชัดเจน การปรึกษาทางคลินิกอยู่ที่ใดที่หนึ่งในช่วงการกระจายตัวนั้น และยังไม่มีใครวัดว่าอยู่ตรงไหน

Scribe v3 Live Medical มีอัตราความผิดพลาดระดับคำที่ 12.8% บน PriMock57 ซึ่งเป็นชุดการปรึกษาบริบาลปฐมภูมิจำลอง 57 รายการที่ ElevenLabs เลือก เทียบกับ 15.5% ถึง 17.2% สำหรับโมเดลเรียลไทม์คู่แข่งสี่โมเดลในการรันโดยผู้จำหน่ายเดียวกัน ตัวเลขนี้ไม่สามารถนำไปเทียบกับ 3.31% ได้ไม่ว่าในทิศทางใด และไม่ใช่เพียงเพราะคอร์ปัสเท่านั้น: ตัวเลขทั้งสองมาจากฮาร์เนสที่ต่างกัน สภาพเสียงที่ต่างกัน และที่สำคัญคือความหน่วงที่ต่างกัน โมเดลแบบแบตช์ได้ดูไฟล์ทั้งหมด ส่วนโมเดลสตรีมมิ่งต้องตัดสินใจโดยไม่รู้ว่าอะไรจะมาถึงต่อไป WER ของสตรีมมิ่งแย่กว่า WER ของแบตช์อย่างเป็นระบบบนเสียงเดียวกัน ซึ่งเป็นเหตุผลที่ Artificial Analysis เผยแพร่ทั้งสองแบบบนกระดานแยกกัน

ข้อความที่สามารถกล่าวอ้างได้อย่างมีเหตุผลคือ: GPT Transcribe เป็นโมเดลแบบแบตช์ที่ได้รับการวัดผลมาอย่างดี โดยมีค่าอยู่ในหลักเดียวช่วงต่ำสำหรับเสียงพูดทั่วไป ส่วน Scribe v3 Live Medical เป็นโมเดลสตรีมมิ่งที่ผู้ขายวัดผลเอง ซึ่งเอาชนะโมเดลระดับเดียวกันแบบเรียลไทม์บนเสียงทางคลินิกได้ประมาณสามจุด และไม่มีการทดลองใดในที่สาธารณะที่นำทั้งสองมาทดสอบกับการบันทึกเสียงเดียวกัน

A two-column scoreboard titled 'Scribe v3 Live Medical vs GPT Transcribe — the scoreboard', with the rows Clock (during the call vs after the call), Price (inside ElevenAgents vs $0.0045 per minute), Accuracy (12.8% PriMock57 vs 3.31% AA-WER), Streams (yes, with turn prediction vs no), Vocabulary (10,000 clinical terms vs keywords and prompt) and Callable (no model ID vs yes, transcriptions endpoint), and a footer reading 'GPT Transcribe per OpenAI and Artificial Analysis; Scribe figures vendor-run.'

การปรับให้เข้ากับโดเมน ซึ่งเป็นจุดที่ความแตกต่างที่แท้จริงอยู่

คำศัพท์ทางคลินิกคือเหตุผลทั้งหมดที่โมเดล ElevenLabs ถูกสร้างขึ้นมา และมันจัดการปัญหานี้ถึงสองทางด้วยกัน ได้แก่ การไฟน์ทูนที่ฝึกให้เน้นชื่อยา กายวิภาคศาสตร์ และพยาธิวิทยา กับกลไกคีย์เทอมที่รับคำกำหนดเองได้สูงสุด 10,000 คำ — ไม่ว่าจะเป็นบัญชีรายการยา ทะเบียนผู้ให้บริการ หรือพจนานุกรมเฉพาะสาขา — โดยรวมอยู่โดยไม่มีค่าใช้จ่ายเพิ่มเติม ElevenLabs เปิดเผยข้อจำกัดนี้อย่างตรงไปตรงมาในคำถามที่พบบ่อยของตัวเองว่า โมเดลจะนำคำศัพท์ไปใช้ก็ต่อเมื่อเสียงมีแนวโน้มตรงกันเท่านั้น และชื่อยาที่แยกเดี่ยวโดยไม่มีบริบทถือเป็นกรณีที่ยากที่สุดสำหรับทุกโมเดล ตัวอย่างบทถอดเสียงของมันสร้างจากรูปแบบที่ง่ายกว่า คือชื่อยาที่อยู่ในประโยคพร้อมขนาดยาที่ระบุไว้

แนวทางของ OpenAI คือการใช้คำสั่งมากกว่าการ fine-tune โดย GPT Transcribe รองรับรายการคำสำคัญและพรอมต์แบบอิสระที่อธิบายว่าเสียงนั้นเกี่ยวกับอะไร และในฝั่งเรียลไทม์ โมเดลจะนำบทสนทนาที่ถอดความไว้ก่อนหน้ามาใช้เป็นบริบทต่อไป การวัดผลของการปรับสภาพดังกล่าวโดย OpenAI เอง บน Context Aware ASR benchmark ของ OpenAI ทำให้ความแม่นยำเชิงความหมายเพิ่มขึ้นจาก 38.5% เป็น 44.6% สำหรับโมเดลแบบเรียลไทม์ — เป็นตัวเลขที่ผู้จำหน่ายรายงานเอง ซึ่งวัดว่าความหมายยังคงอยู่หรือไม่ มากกว่าว่าถ้อยคำนั้นถูกต้องหรือไม่

การแลกเปลี่ยนในทางปฏิบัติ และมันเป็นการแลกเปลี่ยนจริง ๆ: โมเดลที่ปรับตามพรอมต์สามารถดีกว่าคะแนน benchmark ดิบของมันอย่างมากเมื่อคุณบอกมันว่าควรคาดหวังอะไร และมันสามารถ hallucinate คำสำคัญที่คุณใส่เข้าไปได้ ใส่ "metformin" ลงในพรอมต์ แล้วโมเดลที่ฟังคำนั้นไม่ชัดอาจสร้างคำนั้นออกมาอยู่ดี โมเดลที่ได้รับอคติจากคำสำคัญ (keyterm-biased) จะเสื่อมลงอย่างนุ่มนวลกว่า เพราะการให้อคติเปลี่ยนความน่าจะเป็นแทนที่จะยืนยันการมีอยู่ ไม่มีโหมดความล้มเหลวใดปรากฏบน leaderboard ทั้งสองปรากฏในบันทึกทางคลินิก ซึ่งขนาดยาที่ hallucinate ขึ้นมานั้นแย่กว่าช่องว่าง

ประเด็นการปฏิบัติตามข้อกำหนดตัดสินจากแบบฟอร์ม ไม่ใช่จากสกอร์การ์ด

สำหรับ covered entity แล้ว นี่คือส่วนที่ทำให้การประเมินสิ้นสุดลงจริง ๆ ElevenLabs ระบุว่า Scribe v2 Medical ซึ่งเป็นรุ่นคู่แบบ batch ที่เรียกใช้ผ่าน API ได้นั้นเข้าข่าย HIPAA โดยมี Business Associate Agreement และ Zero Retention Mode และเมื่อเปิดใช้ ZRM ระบบจะไม่เก็บเสียงและข้อความถอดเสียงหลังการประมวลผล เอกสารของบริษัทยังเพิ่มคำเตือนที่หนักแน่นกว่าสำหรับโมเดลแบบเรียลไทม์ที่เปิดให้เข้าถึงก่อนกำหนดว่า ห้ามส่งข้อมูลสุขภาพที่ได้รับการคุ้มครองไปยัง Scribe v3 Live Medical จนกว่าจะมีการยืนยันว่าอยู่ในข่าย HIPAA และไม่มีความพร้อมด้านที่ตั้งข้อมูลใน EU ระหว่างช่วง early access ข้อความทั้งสองนี้อยู่ร่วมกันบนเว็บไซต์ของ ElevenLabs และไม่ใช่ข้อความเดียวกัน

ในฝั่ง OpenAI เอนด์พอยต์ถอดเสียงเป็น API องค์กรมาตรฐานที่มีแนวทางจัดการข้อมูลตามปกติ ไม่ได้ขายเป็นผลิตภัณฑ์ทางคลินิกและไม่มีการปรับแต่งโมเดลเฉพาะทางการแพทย์ สิ่งที่มีคือข้อได้เปรียบในทางปฏิบัติของการเป็นโมเดลแบบแบตช์: PHI ออกจากขอบเขตของคุณเพียงครั้งเดียว ในไฟล์ที่คุณเลือก เป็นระยะเวลาที่คุณทราบ และกลับมาเป็นข้อความที่คุณจัดเก็บเอง ไม่มีสตรีมต่อเนื่องให้ต้องคำนึงถึง

ความไม่สมมาตรนี้ชี้ไปในทิศทางที่ไม่คาดคิด ไปป์ไลน์แบบแบตช์ทำให้ง่ายขึ้นที่จะทำให้เป็นไปตามข้อกำหนด ก็เพราะมีชิ้นส่วนที่ต้องจัดการน้อยกว่า และหากเวิร์กโฟลว์ทางคลินิกของคุณยอมรับความล่าช้าได้สองสามนาที — การจัดทำเอกสารแวดล้อมที่ตรวจทานหลังการเข้าพบ หรือโน้ตที่ร่างไว้ให้คลินิเชียนลงนาม — GPT Transcribe พร้อมพรอมต์ที่รอบคอบและรายการคีย์เวิร์ด ก็เป็นเรื่องราวด้านการปฏิบัติตามข้อกำหนดที่เรียบง่ายกว่าโมเดลเรียลไทม์แบบ early-access ที่ยังไม่เข้าเกณฑ์สำหรับ PHI

ต้นทุนต่อการเรียก 1,000 ครั้ง ทั้งสองรูปแบบ

สายทางคลินิกความยาวสิบนาทีหนึ่งพันสายรวมเป็น 10,000 นาที บน GPT Transcribe คิดเป็น $45 บนเลนสดของ OpenAI อยู่ที่ $170 บน Scribe v3 Live Medical ไม่มีตัวเลขให้คำนวณ เพราะโมเดลนี้อยู่ใน subscription ElevenAgents ที่คิดราคาตามนาทีการสนทนา โดยรวม LLM, การสังเคราะห์เสียง, ระบบโทรศัพท์ และการผลัดกันพูดไว้ด้วยกัน การที่แพ็กเกจนั้นจะถูกกว่า $45 บวกสแต็กเอเจนต์ของคุณเองหรือไม่ ขึ้นอยู่กับว่าสแต็กเอเจนต์ของคุณเองมีต้นทุนเท่าไรทั้งหมด และราคาของ ElevenLabs ไม่สามารถแยกย่อยออกมาเป็นรายการค่า ASR ได้

ส่วนที่แยกออกได้คือส่วนการให้เหตุผล และเป็นส่วนที่ขยายตามระยะเวลาการโทรมากกว่าความยาวของเสียง เอเจนต์ทางคลินิกที่อ่านทรานสคริปต์และตัดสินใจบางอย่างจะเรียก LLM ในทุกเทิร์น; OrcaRouter ให้บริการ 215 โมเดลผ่าน API ที่เข้ากันได้กับ OpenAI เพียงหนึ่งเดียว โดยคิด markup 0% ราคาตามรายการของผู้ให้บริการถูกส่งผ่านไปโดยไม่เปลี่ยนแปลง ดังนั้นโมเดลที่อยู่เบื้องหลังตัวถอดเสียงไม่ว่าจะตัวใด สามารถสลับหรือกำหนด failover อัตโนมัติได้โดยไม่ต้องแตะเส้นทางเสียง เราไม่ให้บริการ Scribe v3 Live Medical หรือโมเดลถอดเสียงใด ๆ ของ OpenAI และไม่มีอัตราใดที่อ้างถึงข้างต้นเป็นของเรา

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.

วิธีตัดสินใจ

หากทรานสคริปต์ต้องมีอยู่ในขณะที่ผู้โทรยังพูดอยู่ GPT Transcribe เป็นโมเดลที่ไม่ถูกต้อง และการเปรียบเทียบที่ตรงไปตรงมาคือกับ endpoint แบบไลฟ์ของ OpenAI ราคา $0.017 ต่อนาที ไปที่ ElevenAgents หากคุณต้องการการ fine-tune สำหรับงานคลินิกพร้อมการตรวจจับการผลัดกันพูด และคุณยอมรับจุดยืนด้านการปฏิบัติตามข้อกำหนดแบบ early access; ไปที่เลนไลฟ์ของ OpenAI หากคุณต้องการ endpoint ที่เรียกใช้งานได้ ราคาที่เผยแพร่ และ context conditioning และคุณพร้อมที่จะทดสอบ hallucination กับบัญชียาของคุณเอง

ถ้าทรานสคริปต์คือเอกสาร กรณีนี้ไม่ได้ใกล้เคียงเลย GPT Transcribe ถูกกว่า ได้รับการทดสอบ benchmark อย่างอิสระ เรียกใช้ได้ตั้งแต่วันนี้ และมีสิทธิ์ใช้งานสำหรับเวิร์กโฟลว์แบบไฟล์เข้า-ข้อความออกของคุณโดยเฉพาะ คำตอบของ ElevenLabs เองในตลาดนั้นคือ Scribe v2 Medical ในราคา $0.20 ต่อชั่วโมง โดยมีข้อผิดพลาดน้อยกว่า Scribe v2 15% เมื่อทดสอบกับเสียงทางคลินิก — เป็นคู่แข่งตัวจริง และเป็นคนละรุ่นกับโมเดลในชื่อเรื่องนี้

กับดักของการจับคู่นี้คือทั้งสองชื่อมีคำว่า transcribe และผู้ขายทั้งสองรายเผยแพร่ word error rate ดังนั้นการเปรียบเทียบจึงดูเหมือนเขียนขึ้นมาเอง ทั้งที่ไม่ควรเป็นเช่นนั้น โมเดลหนึ่งอ่านไฟล์ ส่วนอีกโมเดลฟังคน เลือกนาฬิกาก่อน แล้วค่อยถกกันเรื่องความแม่นยำภายในกรอบนั้น

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube