การ์ดชื่อเรื่องที่ระบุว่า 'Scribe v3 Live Medical vs Whisper Large v3 Turbo' พร้อมคำบรรยายใต้ชื่อ 'แบบที่คุณเช่าไม่ได้ กับแบบที่คุณเป็นเจ้าของได้' ด้านล่างเป็นมาตรวัดเดียว: ทางซ้ายมีไอคอนแม่กุญแจล็อกที่ติดป้ายว่า 'ElevenAgents เท่านั้น ไม่มี model ID' ทางขวามีกล่องที่เปิดอยู่ซึ่งติดป้ายว่า 'พารามิเตอร์ 809M, สัญญาอนุญาต MIT, ทำงานบน VRAM ประมาณ 6 GB'
Guides & Insights

Scribe v3 Live Medical vs Whisper Large v3 Turbo: โมเดลที่คุณเช่าไม่ได้ vs โมเดลที่คุณเป็นเจ้าของได้

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

Whisper Large v3 Turbo เป็นโมเดลขนาด 809 ล้านพารามิเตอร์ภายใต้สัญญาอนุญาต MIT ที่คุณสามารถดาวน์โหลด ควอนไทซ์ให้เหลือประมาณ 1.6 GB และรันบน GPU สเปกพอประมาณเพียงตัวเดียวด้วยความเร็วประมาณแปดเท่าของ Whisper Large v3 ส่วน Scribe v3 Live Medical เป็นโมเดลปรับแต่งเฉพาะทางคลินิกจาก ElevenLabs ที่คุณไม่สามารถดาวน์โหลด ไม่สามารถเรียกผ่าน API และไม่สามารถหาได้เลย เว้นแต่คุณจะรันเอเจนต์ภายใน ElevenAgents การนำทั้งสองมาไว้ในประโยคเดียวกันเป็นเรื่องแปลก จนกว่าคุณจะสังเกตว่าทั้งคู่อยู่ในตำแหน่งเดียวกันในการตัดสินใจจริง ทั้งสองคือสิ่งที่คุณหยิบมาใช้เมื่อระบบถอดเสียงอเนกประสงค์ยังคงถอดคำว่า "empagliflozin" ออกมาเพี้ยน และมีเพียงตัวเดียวเท่านั้นที่ทีมส่วนใหญ่เข้าถึงได้

นั่นคือการเปรียบเทียบที่แท้จริง ไม่ใช่เรื่องความแม่นยำ — ตัวเลขสองตัวนั้นไม่ตรงกัน — แต่เป็นเรื่องความพร้อมใช้งาน และต้นทุนทางวิศวกรรมที่ baseline แบบเปิดทำให้คุณต้องแบกรับ เพื่อปิดช่องว่างที่ผู้ขายจะไม่ยอมขายโซลูชันแบบปิดให้คุณ

เวอร์ชันสิบเอ็ดคำของเหตุผลที่ว่านี่ไม่ใช่การแข่งขันวัดประสิทธิภาพ

ตัวเลขที่เผยแพร่ของ ElevenLabs สำหรับ Scribe v3 Live Medical คืออัตราความผิดพลาดระดับคำ 12.8% บน PriMock57 ซึ่งประกอบด้วยการปรึกษาด้านการดูแลปฐมภูมิจำลอง 57 ครั้ง เทียบกับ 15.5% ถึง 17.2% สำหรับโมเดลคู่แข่งสี่ตัว ทั้งโมเดลการแพทย์แบบเรียลไทม์และโมเดลทั่วไป ตัวเลขที่เผยแพร่ของ Whisper Large v3 Turbo คือ 2.1% บน LibriSpeech test-clean และ 4.2% บน test-other — ซึ่งเป็นเสียงอ่านจากหนังสือเสียงภาษาอังกฤษ คลังข้อมูลที่เป็นเบนช์มาร์กแบบเปิดมาตรฐานมาหลายปี และห่างไกลจากสายโทรศัพท์เกี่ยวกับใบสั่งยาเกือบจะมากที่สุดเท่าที่ข้อมูลเสียงจะเป็นได้

ในสภาวะแบบ LibriSpeech โมเดลเปิดขนาด 809M เอาชนะโมเดลที่ผ่านการไฟน์จูนสำหรับงานคลินิกได้อย่างมาก ในการให้คำปรึกษาจริงด้วยหูฟังคุณภาพแย่ ตัวเลขทั้งสองก็ไม่ต่างจากสัญญาณรบกวน ตัวเลขแต่ละตัวไม่ได้ทำนายอีกตัวเลย และใครก็ตามที่นำมาวางเทียบกันแล้วประกาศผู้ชนะ กำลังเปรียบเทียบการวัดในห้องสะอาดของโมเดลแบบแบตช์กับการวัดที่ผู้ขายเป็นผู้ดำเนินการของโมเดลแบบสตรีมมิ่ง การอธิบายอย่างตรงไปตรงมาคือ โมเดลที่ไฟน์จูนทางการแพทย์อ้างว่ามีข้อได้เปรียบเหนือโมเดลเรียลไทม์อื่น ๆ ในเสียงทางคลินิก และ Whisper อ้างว่ามีข้อได้เปรียบเหนือโมเดลเปิดอื่น ๆ ในเสียงพูดอ่านที่สะอาด และข้ออ้างทั้งสองไม่เกี่ยวข้องกันเลย

Whisper Large v3 Turbo จริง ๆ แล้วคืออะไร และไม่ใช่อะไร

การกลั่นกรองโมเดล Whisper Large v3 ของ OpenAI ซึ่งเปิดตัวภายใต้สัญญาอนุญาต MIT ในเดือนตุลาคม 2024: มีเลเยอร์เอนโคเดอร์ 32 ชั้น และเลเยอร์เดโคเดอร์ 4 ชั้น ลดลงจาก 32 ชั้น ซึ่งเป็นที่มาของความเร็ว ใช้งานได้ใน faster-whisper, whisper.cpp, ONNX และบิลด์ GGUF สามารถควอนไทซ์ให้เล็กพอสำหรับแล็ปท็อป รองรับ 99 ภาษา และไม่มีค่าใช้จ่ายค่าลิขสิทธิ์ ไม่ว่าคุณจะรันบน GPU ตัวเดียวหรือทั้งแร็ก

สิ่งที่ไม่ใช่ และนี่คือรายการที่สำคัญสำหรับเอเจนต์ทางคลินิก:

• มันไม่รองรับการสตรีม สถาปัตยกรรมของ Whisper ถูกออกแบบให้ทำงานรอบหน้าต่างคงที่ 30 วินาที ดังนั้น “เรียลไทม์” จึงหมายถึงการแบ่งเสียงออกเป็นชิ้นแล้วรันซ้ำ ต้องแลกกับต้นทุนจากส่วนที่ทับซ้อนกัน และยอมรับว่าข้อความถอดเสียงจะตามหลังคำพูดเป็นระยะตามปริมาณที่คุณบัฟเฟอร์ไว้ ไม่มีสตรีมผลลัพธ์บางส่วนแบบเนทีฟ และไม่มีการตรวจจับการผลัดกันพูด

• มันไม่สามารถแยกแยะผู้พูดได้ เป็นลำดับคำเพียงสายเดียว ไม่มีแนวคิดว่าใครพูดอะไร สำหรับการปรึกษาหารือระหว่างคนสองคนที่ทั้งผู้ป่วยและผู้ให้การรักษาต่างเอ่ยชื่อยา คุณต้องต่อโมเดลติดป้ายผู้พูดแยกต่างหากเข้ามา หรือไม่ก็ยอมรับทรานสคริปต์ที่ไม่ได้ระบุผู้พูด

• มันไม่จัดรูปแบบให้ เครื่องหมายวรรคตอนและตัวพิมพ์ใหญ่-เล็กออกมาตามที่เสียงพูดให้มา พร้อมคำพูดติดขัดทั้งหลาย ไม่มีการแก้ไขเมื่อผู้พูดแก้คำตัวเอง ไม่มีการทำตัวพิมพ์ใหญ่ต้นประโยค ไม่มีโครงสร้างบันทึกทางคลินิก

• มันไม่ได้ถูกฝึกมาเพื่อการแปล และไม่มีกลไกปรับเอนเอียงตามโดเมน ไม่มีรายการคำศัพท์เฉพาะที่จะยื่นบัญชียาให้มัน และไม่มีพรอมป์ต์บอกว่าสายนี้เป็นสายด้านโรคหัวใจ คุณต้องไฟน์จูน หรือประมวลผลภายหลัง หรือยอมรับข้อผิดพลาดเหล่านั้น

ในทางกลับกัน Scribe v3 Live Medical ถูกสร้างขึ้นจากสี่สิ่งที่ขาดหายไปนั้นเกือบทั้งหมด: มันสตรีมได้ มีการคาดการณ์การผลัดเปลี่ยนคำพูดที่รอจนรหัสสมาชิกถูกพูดจบ รองรับคำศัพท์ทางคลินิกกำหนดเองได้ถึง 10,000 คำโดยไม่มีค่าใช้จ่าย และเป็นการไฟน์จูนโมเดลที่ฝึกจากบทสนทนาแทนที่จะเป็นหนังสือเสียง ElevenLabs เปิดเผยตรงไปตรงมาว่าขีดจำกัดอยู่ตรงไหน — ชื่อยาที่โดดเดี่ยวโดยไม่มีบริบทแวดล้อมเป็นกรณีที่ยากที่สุดสำหรับทุกโมเดล และคำแนะนำคือให้ใช้ keyterms เพื่อไบแอสไปทางสิ่งที่คุณคาดหวัง

The openai/whisper repository page on GitHub, showing 113k stars and 13.7k forks, the README heading 'Robust Speech Recognition via Large-Scale Weak Supervision' and an MIT license badge in the sidebar.

ต้นทุนทางวิศวกรรมในการปิดช่องว่างด้วยตัวคุณเอง

นี่คือจุดที่การเปรียบเทียบกลายเป็นสเปรดชีตมากกว่ากระดานผู้นำ ทีมที่ต้องการให้ Whisper Large v3 Turbo ทำงานเหมือนเครื่องถอดความแบบเรียลไทม์สำหรับงานคลินิก ต้องสร้างสี่สิ่งนี้:

• ตัวห่อแบบสตรีมมิ่ง — เสียงที่แบ่งเป็นชังก์ หน้าต่างที่เหลื่อมกัน การรวมสมมติฐานบางส่วน และกฎ endpointing ของคุณเอง เพราะ Whisper ไม่มีมาให้คุณเลย เตรียมใช้เวลาจริงจังกับการจัดการรอยต่อ นี่คือจุดที่วอยซ์เอเจนต์ที่สร้างเองส่วนใหญ่เจอความหน่วงแย่ที่สุด

• กลไกด้านคำศัพท์ — Whisper ไม่มีเลย ไม่ว่าคุณจะ fine-tune กับเสียงทางคลินิกของคุณเอง ซึ่งต้องใช้ข้อมูลที่มีป้ายกำกับที่คุณอาจไม่มี หรือคุณจะแก้ไขภายหลังโดยเทียบกับรายการชื่อยา ซึ่งเป็นปัญหาการจับคู่แบบคลุมเครือที่ก่อให้เกิดข้อผิดพลาดชนิดที่มั่นใจผิดขึ้นมาเป็นของตัวเอง

• รอบการประมวลผล diarization — โมเดลที่สอง งบความหน่วงที่สอง และขั้นตอนการผสานที่ต้องจัดแนวช่วงการพูดของผู้พูดให้ตรงกับเวลาของคำของ Whisper

• โครงสร้างพื้นฐาน — GPU, การสเกลอัตโนมัติ, คิวสำหรับเส้นทางงานแบบแบตช์ และคนที่อยู่เวรพร้อมรับสายเมื่อเครื่องที่ถอดเสียง 40 ชั่วโมงต่อวันล่มตอนตี 2

ไม่มีสิ่งใดในนั้นเป็นอุปสรรคถึงขั้นทำไม่ได้ ทั้งหมดนั้นเป็นงานที่โมเดลคลินิกแบบ managed จะรับไปจัดการอยู่แล้ว และคำถามที่ตรงไปตรงมาคือ เวลาของทีมคุณควรใช้กับงานนั้นหรือกับตัวผลิตภัณฑ์คลินิกเอง สำหรับกลุ่มวิจัยหรือทีมแพลตฟอร์มที่มีโครงสร้างพื้นฐานด้าน inference อยู่แล้ว คำตอบมักคือใช่ — นั่นคือเหตุผลที่ Whisper กลายเป็นค่าเริ่มต้นตั้งแต่แรก สำหรับสตาร์ทอัปสุขภาพดิจิทัลที่มีห้าคนซึ่งจุดแตกต่างคือเวิร์กโฟลว์ของพยาบาล คำตอบมักคือไม่

ใบอนุญาตคือข้อได้เปรียบที่แท้จริง และนี่ไม่ใช่ข้อได้เปรียบเล็ก ๆ เลย

ใบอนุญาต MIT ของ Whisper หมายความว่าไม่ต้องพึ่งผู้ขาย ไม่มีมาตรวัดการใช้งาน ไม่มีค่าบริการรายนาทีที่เพิ่มขึ้นตามปริมาณการโทร และไม่มีข้อกำหนดให้เสียงของผู้ป่วยต้องออกจากเครือข่ายของคุณ สำหรับ covered entity ประเด็นหลังสุดไม่ใช่เพียงสิ่งที่มีก็ดี การติดตั้ง Whisper แบบ self-hosted ภายใน VPC ของคุณเองคือเรื่องราวด้านการปฏิบัติตามข้อกำหนดที่ทีมความปลอดภัยของคุณรู้วิธีอนุมัติอยู่แล้ว: PHI ไม่เคยข้ามขอบเขตของผู้ขาย คุณเป็นผู้กำหนดระยะเวลาการเก็บ log และไม่ต้องเจรจา Business Associate Agreement

ในทางกลับกัน เอกสารประกอบของ ElevenLabs ในปัจจุบันระบุข้อความที่เจ้าหน้าที่ด้านการปฏิบัติตามกฎระเบียบจะต้องอ่านซ้ำสองรอบว่า ห้ามส่งข้อมูลสุขภาพที่ได้รับการคุ้มครองไปยัง Scribe v3 Live Medical จนกว่าจะมีการยืนยันคุณสมบัติตาม HIPAA สำหรับโมเดลนี้ และไม่มีการให้บริการการเก็บข้อมูลในสหภาพยุโรป (EU data residency) ในช่วงการเข้าถึงก่อนกำหนด ข้อความทั่วไปในหน้าการถอดเสียงทางการแพทย์ — ซึ่งระบุว่า "มีคุณสมบัติตาม HIPAA สำหรับลูกค้า Enterprise ที่มี BAA และโหมดไม่เก็บข้อมูล (Zero Retention Mode)" — อธิบายถึงแพลตฟอร์มและผลิตภัณฑ์ทางการแพทย์ที่เปิดให้ใช้ทั่วไป (GA) คือ Scribe v2 Medical สำหรับโมเดลเรียลไทม์ที่อยู่ในช่วงเข้าถึงก่อนกำหนด คำเตือนดังกล่าวคือประโยคที่มีผลบังคับใช้

ดังนั้น ฐานอ้างอิงแบบเปิดจึงชนะการเปรียบเทียบด้านการปฏิบัติตามข้อกำหนดไปโดยสิ้นเชิงในวันนี้ ด้วยเหตุผลที่ไม่มีส่วนเกี่ยวข้องกับความแม่นยำเลย แต่เกี่ยวข้องทั้งหมดกับเอกสารที่ยังทำไม่เสร็จสิ้น

ต้นทุนส่วนเพิ่ม ณ ปริมาณที่แตกต่างกันสามระดับ

Whisper มีต้นทุนด้านฮาร์ดแวร์และไม่มีมิเตอร์วัดการใช้งาน หากรันบน GPU ที่คุณมีอยู่แล้ว ต้นทุนส่วนเพิ่มต่อนาทีที่ถอดเสียงจะใกล้เคียงกับค่าไฟฟ้า หากเช่า GPU ต้นทุนจะเท่ากับอัตราค่าเช่าอินสแตนซ์หารด้วยทรูพุต ซึ่งบนสแตกการให้บริการสมัยใหม่จะอยู่ที่เพียงไม่กี่เซนต์ต่อชั่วโมงเสียง ที่หนึ่งพันชั่วโมงต่อเดือน GPU เช่าเพียงตัวเดียวก็รองรับภาระได้โดยยังมีกำลังเหลือเผื่อ

Scribe v3 Live Medical ไม่มีต้นทุนส่วนเพิ่มในการประมวลผล เพราะไม่ได้ขายเป็นรายนาที — แต่รวมอยู่ในสมาชิก ElevenAgents ที่คิดค่าบริการตามนาทีการสนทนา และครอบคลุม LLM, โทรศัพท์ และเสียง ราคาอ้างอิง API ของ ElevenLabs สำหรับโมเดลที่คุณวัดปริมาณการใช้งานได้จริง คือ $0.22 ต่อชั่วโมงสำหรับ Scribe v3 Live และ $0.20 ต่อชั่วโมงสำหรับ Scribe v2 Medical โดยการพรอมต์คำสำคัญแบบเรียลไทม์อยู่ที่ $0.08 ต่อชั่วโมง

ที่สิบชั่วโมงต่อเดือน เส้นทางแบบ managed ย่อมถูกกว่าอย่างเห็นได้ชัด: ไม่ต้องซื้อ GPU ไม่ต้องดูแลไปป์ไลน์ และการสมัครสมาชิกนั้นรวมเอเจนต์ไว้ด้วย ที่หนึ่งหมื่นชั่วโมงต่อเดือน Whisper แบบโฮสต์เองถูกกว่าการคิดค่าบริการรายนาทีใด ๆ ที่เคยเผยแพร่ และไม่มีผู้ขายรายใดจะลดราคาต่ำกว่าต้นทุนส่วนเพิ่มของฮาร์ดแวร์ของคุณเองที่รัน weights แบบ MIT ได้เลย จุดตัดเช่นเคยอยู่ตรงที่เงินเดือนวิศวกรของคุณหารด้วยชั่วโมงที่ประหยัดได้ แล้วออกมาต่ำกว่าอัตราคิดรายนาที — และสำหรับทีมคลินิกขนาดเล็ก จุดนั้นจะมาถึงช้ากว่าที่สเปรดชีตบอก เพราะไปป์ไลน์ที่คุณสร้างคือไปป์ไลน์ที่คุณต้องดูแลไปตลอด

A two-column scoreboard titled 'Scribe v3 Live Medical vs Whisper Large v3 Turbo — the scoreboard', with the rows Licence (platform only vs MIT), Access (ElevenAgents only vs download and self-host), Streaming (native, turn prediction vs no, 30-second windows), Diarization (built in vs no), Vocabulary (10,000 terms included vs none, fine-tune or correct) and Cost (bundled, no ASR rate vs your own GPU), and a footer reading 'Scribe figures vendor-run and unavailable outside ElevenAgents; Whisper figures per OpenAI.'

ตำแหน่งที่เราเตอร์พอดีอย่างแม่นยำ

Whisper ส่งข้อความมาให้คุณ แต่ยังต้องมีบางสิ่งอ่านข้อความนั้นและลงมือทำ ในเวิร์กโฟลว์ทางคลินิก นั่นคือโมเดลตัวที่สอง — ร่างบันทึก ดึงรายการยา ตัดสินใจว่าสายนั้นต้องใช้พยาบาลหรือไม่ — และเป็นส่วนที่ขยายตามความยาวของบทสนทนา ไม่ใช่ความยาวของเสียง OrcaRouter ให้บริการ โมเดล 215 ตัวผ่าน API ที่เข้ากันได้กับ OpenAI เพียงตัวเดียว โดยคิดมาร์กอัป 0% โดยราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยไม่เปลี่ยนแปลง พร้อมระบบสลับสำรองอัตโนมัติ ดังนั้นโมเดลสำหรับการให้เหตุผลนั้นจึงใช้เป็นตัวเล็กที่เร็วสำหรับการตอบกลับทีละรอบ และเป็นตัวที่ใหญ่กว่าสำหรับบันทึกท้ายการโทร ด้วยคีย์เดียวกันได้

ขอให้ชัดเจนเกี่ยวกับขอบเขต: เราไม่ได้โฮสต์ Whisper Large v3 Turbo และเราไม่ได้โฮสต์ Scribe v3 Live Medical หรือโมเดลใด ๆ ของ ElevenLabs Whisper ที่โฮสต์เองคือ GPU ของคุณ ส่วนโมเดลทางการแพทย์ของ ElevenLabs คือแพลตฟอร์มของพวกเขา สิ่งที่เราจัดเส้นทางคือเลเยอร์ที่อยู่เหนือทั้งสอง.

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.

อันไหน สำหรับทีมไหน

ใช้ Whisper Large v3 Turbo หากข้อใดข้อหนึ่งต่อไปนี้เป็นจริง: คุณต้องการให้ข้อความถอดเสียงอยู่ในขอบเขตโครงสร้างพื้นฐานของคุณเอง คุณกำลังถอดเสียงจากไฟล์เสียงที่บันทึกไว้แทนการถอดสายเรียกเข้าแบบสด ปริมาณงานของคุณสูงพอที่ค่าบริการรายนาทีจะเป็นต้นทุนหลัก หรือคุณมีขีดความสามารถทางวิศวกรรมที่จะสร้างเลเยอร์สตรีมมิ่ง การแยกผู้พูด และคำศัพท์ด้วยตัวเอง สำหรับไฟล์เสียงทางคลินิกที่บันทึกไว้ — บันทึกที่สั่งด้วยเสียงซึ่งตรวจทานหลังการนัดหมาย — Whisper พร้อมขั้นตอนแก้ไขชื่อยาหลังการถอดเสียงถือเป็นคำตอบที่แข็งแกร่งและถูกจริง ๆ และสัญญาอนุญาต MIT ของมันตัดบทสนทนาเรื่องการจัดซื้อจัดจ้างออกไปได้ทั้งหมวดหมู่

เลือก Scribe v3 Live Medical หากเสียงเป็นการถ่ายทอดสด คำศัพท์เป็นทางคลินิก และเอเจนต์จะเป็นของ ElevenLabs อยู่แล้ว การคาดการณ์รอบสนทนาและงบคำศัพท์ 10,000 คำเป็นสิ่งที่คุณจะต้องสร้างเองหากไม่ใช้สิ่งนี้ ผลลัพธ์ 12.8% บน PriMock57 เป็นข้อมูลของผู้จำหน่ายเอง แต่ทิศทางสอดคล้องกับสิ่งที่ผู้จำหน่าย ASR ทางคลินิกทุกรายรายงาน และแพลตฟอร์มรองรับโครงสร้างพื้นฐานให้เอง จากนั้นให้รอเรื่อง PHI จนกว่าคำเตือน early-access จะถูกนำออกจากหน้าคู่มือ

และหากคุณอยู่นอก ElevenAgents โดยสิ้นเชิง — ซึ่งก็คือคนส่วนใหญ่ที่อ่านข้อความนี้ — ตัวเลือกที่แท้จริงคือระหว่าง Whisper กับโมเดลการแพทย์ที่เรียกใช้งานได้อย่าง Scribe v2 Medical ในราคา 0.20 ดอลลาร์ต่อชั่วโมง โดยมีข้อผิดพลาดน้อยกว่า Scribe v2 15% เมื่อทดสอบกับเสียงทางคลินิก Scribe v3 Live Medical เป็นโมเดลที่ดีกว่าในทางทฤษฎี แต่ก็ไม่ได้มีให้เลือกใช้ และโมเดลที่คุณไม่สามารถใช้งานได้ก็ไม่ใช่คู่แข่งของโมเดลที่คุณใช้งานได้

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube