Thẻ tiêu đề ghi 'Scribe v3 Live Medical vs GPT Transcribe' với phụ đề 'hai chiếc đồng hồ khác nhau'. Bên dưới là dòng thời gian hai làn: làn trên được dán nhãn 'trong cuộc gọi' hiển thị một dạng sóng trực tiếp nạp vào bản ghi chép lớn dần theo từng từ; làn dưới được dán nhãn 'sau cuộc gọi' hiển thị một tệp âm thanh đã hoàn tất nạp vào bản ghi chép hoàn chỉnh trong một khối.
Guides & Insights

Scribe v3 Live Medical so với GPT Transcribe: Hai chiếc đồng hồ khác nhau

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Hai mô hình này không phải là đối thủ cạnh tranh, và cách nhanh nhất để lãng phí một quý là coi chúng là một. GPT Transcribe là mô hình chuyển giọng nói thành văn bản ngoại tuyến của OpenAI: bạn gửi một tệp âm thanh đã hoàn tất đến endpoint transcriptions và nhận lại một bản ghi đầy đủ, đã được định dạng. Nó không thể lắng nghe một cuộc gọi đang diễn ra — tài liệu của chính OpenAI nói rõ điều này và chỉ những ai cần phát trực tuyến đến gpt-live-transcribe hoặc gpt-realtime-whisper thay vào đó. Scribe v3 Live Medical có hình dạng ngược lại: một bản tinh chỉnh lâm sàng theo thời gian thực chỉ tồn tại bên trong ElevenAgents, phiên âm các cuộc gọi của bệnh nhân, thành viên và nhà cung cấp khi người gọi vẫn đang trong cuộc gọi để một tác nhân có thể phản ứng với một liều lượng trước khi câu nói kết thúc.

Vậy câu hỏi trung thực không phải là mô hình nào tốt hơn. Mà là quy trình của bạn chạy theo đồng hồ nào. Nếu một con người hoặc một mô hình phải hành động trong cuộc hội thoại — trả lời một câu hỏi, tra cứu một quyền lợi, phát hiện một chống chỉ định — thì GPT Transcribe bị loại trước khi bất kỳ so sánh độ chính xác nào bắt đầu, và lựa chọn OpenAI duy nhất trong phân khúc đó có giá đắt gấp 3,8 lần mỗi phút. Nếu bản ghi lời thoại là một tài liệu được tạo ra sau khi sự việc đã xảy ra, thì Scribe v3 Live Medical không dùng được vì một lý do hoàn toàn khác: nó không có API, không có model ID và không có giá, và nó không thể được gọi từ bất kỳ thứ gì không phải là agent ElevenAgents.

Đồng hồ mà mỗi thứ vận hành theo

Mức tính giá của GPT Transcribe là $0,0045 mỗi phút, tương đương $0,27 mỗi giờ âm thanh, và các giới hạn của nó là giới hạn của một tệp: endpoint chép lời của OpenAI chấp nhận tối đa 25 MB mỗi yêu cầu, và mô hình trả về bản chép lời có áp dụng gợi ý ngôn ngữ. Không có kết quả từng phần, vì không có gì để chia thành từng phần. Đối với một buổi thăm khám được ghi âm, một ghi chú được đọc chính tả, một loạt cuộc gọi lưu trữ, đây chính xác là hình thức phù hợp và là một trong những cách rẻ hơn để trích xuất lời nói từ âm thanh.

Làn phát trực tuyến của OpenAI là một dòng sản phẩm khác với mức giá khác: gpt-live-transcribe tính $0,017 mỗi phút, khoảng $1,02 mỗi giờ âm thanh. Đó là cái giá của đồng hồ — gấp 3,8 lần mức giá theo lô cho dịch vụ chuyển văn bản của cùng nhà cung cấp, trước khi bàn đến độ chính xác. Đây cũng là nơi năng lực chuyển văn bản thời gian thực của OpenAI thực sự nằm, và nếu bạn đang so sánh chuyển văn bản trực tiếp với chuyển văn bản trực tiếp, thì đó là mô hình để đối chiếu với Scribe v3 Live, không phải GPT Transcribe.

Đồng hồ của Scribe v3 Live Medical chính là độ dài của một cuộc hội thoại bên trong ElevenAgents. Không có tệp nào cả. Có một luồng dạng WebSocket do nền tảng quản lý, một mô hình lượt quyết định thời điểm người gọi đã nói xong, và một bản ghi mà tác nhân tiêu thụ để hành động. ElevenLabs không công bố con số độ trễ cho biến thể y tế; con số của cả dòng sản phẩm là Scribe v3 Live có tỷ lệ lỗi từ ngữ ngữ nghĩa thấp hơn 44% so với Scribe v2 Realtime, vốn có thời gian trung vị để có bản ghi đã chốt là khoảng 150 ms. ElevenLabs cho biết bản tinh chỉnh y tế có độ trễ tương đương 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'.

Độ chính xác: một số liệu đã được kiểm toán, một số liệu từ nhà cung cấp, không chồng chéo.

GPT Transcribe có tỷ lệ lỗi từ được đo độc lập và công khai: 3,31% trên bộ đánh giá AA-WER của Artificial Analysis, đưa nó lên vị trí thứ chín trong khoảng năm mươi hệ thống được theo dõi tại thời điểm ra mắt vào tháng 7 năm 2026, với các điểm thành phần là 2,22% trên âm thanh hội thoại với tác nhân, 2,72% trên VoxPopuli và 6,10% trên các cuộc gọi công bố kết quả kinh doanh. Điều thú vị nằm ở mức phân tán bên trong chính con số đó — các cuộc gọi công bố kết quả kinh doanh, với giọng điệu, tiếng nói chồng chéo và thuật ngữ chuyên ngành, khó đối với nó gần gấp ba lần so với giọng nói tác nhân sạch. Một cuộc tư vấn lâm sàng nằm đâu đó trong mức phân tán ấy, và chưa ai đo được nó nằm ở đâu.

Con số của Scribe v3 Live Medical là tỷ lệ lỗi từ 12,8% trên PriMock57, bộ 57 cuộc tư vấn chăm sóc ban đầu giả lập do ElevenLabs lựa chọn, so với 15,5% đến 17,2% của bốn mô hình thời gian thực đối thủ trong cùng lần chạy của nhà cung cấp. Không thể so sánh nó với 3,31% theo bất kỳ hướng nào, và không chỉ vì kho ngữ liệu: hai con số đến từ các bộ khung đánh giá khác nhau, điều kiện âm thanh khác nhau và đặc biệt quan trọng là độ trễ khác nhau. Mô hình xử lý theo lô được phép xem toàn bộ tệp; mô hình streaming phải chốt kết quả mà không biết điều gì sẽ đến tiếp theo. WER streaming kém hơn WER theo lô một cách có hệ thống trên cùng đoạn âm thanh, đó là lý do Artificial Analysis công bố hai chỉ số này trên các bảng riêng.

Nhận định có cơ sở: GPT Transcribe là một mô hình batch được đo đạc kỹ lưỡng, đạt mức thấp trong khoảng một chữ số trên giọng nói thông thường; Scribe v3 Live Medical là một mô hình streaming do nhà cung cấp tự đo, vượt các mô hình ngang hàng thời gian thực trên âm thanh lâm sàng khoảng ba điểm; và không có thử nghiệm công khai nào đặt chúng trên cùng một bản ghi âm.

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.'

Thích ứng miền, đây chính là nơi khác biệt thực sự nằm ở đó

Từ vựng lâm sàng chính là lý do mô hình ElevenLabs ra đời, và nó tấn công vấn đề theo hai hướng: một bản fine-tune được huấn luyện hướng tới tên thuốc, giải phẫu và bệnh học, cùng một cơ chế keyterm chấp nhận tối đa 10.000 thuật ngữ tùy chỉnh — danh mục thuốc, danh sách nhà cung cấp dịch vụ, từ điển chuyên khoa — được bao gồm mà không tốn thêm chi phí. ElevenLabs nói thẳng về giới hạn này trong phần FAQ của mình: mô hình chỉ áp dụng một thuật ngữ khi âm thanh có khả năng khớp, và những tên thuốc riêng lẻ không có ngữ cảnh là trường hợp khó nhất đối với mọi mô hình. Bản ghi mẫu của nó được xây dựng từ dạng dễ hơn: một tên thuốc nằm trong câu có kèm liều dùng.

Cách tiếp cận của OpenAI là dùng chỉ dẫn thay vì tinh chỉnh. GPT Transcribe chấp nhận danh sách từ khóa và một lời nhắc dạng tự do mô tả nội dung âm thanh, và ở phía thời gian thực, mô hình mang các lượt đã được phiên âm trước đó theo làm ngữ cảnh. Phép đo của chính OpenAI về việc điều kiện hóa đó, trên bộ đánh giá Context Aware ASR của họ, đã nâng độ chính xác ngữ nghĩa từ 38,5% lên 44,6% đối với mô hình trực tiếp — một con số do nhà cung cấp báo cáo, đo xem ý nghĩa có được giữ lại hay không thay vì xem các từ có đúng hay không.

Sự đánh đổi thực tế, và đúng là một đánh đổi có thật: một mô hình được điều kiện hóa bằng lời nhắc có thể tốt hơn hẳn mức chuẩn thô của nó khi bạn nói cho nó biết cần kỳ vọng điều gì, và nó có thể bịa ra đúng các từ khóa mà bạn đã cung cấp. Đưa "metformin" vào lời nhắc và một mô hình không nghe rõ từ đó vẫn có thể tạo ra nó. Một mô hình thiên lệch theo keyterm suy giảm mượt mà hơn, vì thiên lệch làm thay đổi xác suất thay vì khẳng định sự hiện diện. Cả hai kiểu thất bại đều không xuất hiện trên bảng xếp hạng. Cả hai đều xuất hiện trong ghi chú lâm sàng, nơi một liều lượng bị bịa ra còn tệ hơn một khoảng trống.

Vấn đề tuân thủ được quyết định bởi hình thức, không phải bởi bảng điểm.

Đối với một covered entity, đây chính là phần thực sự khép lại quá trình đánh giá. ElevenLabs nêu rõ rằng Scribe v2 Medical — phiên bản dạng batch, bản có thể gọi qua API — đủ điều kiện tuân thủ HIPAA khi có Thỏa thuận liên kết doanh nghiệp (Business Associate Agreement) và Chế độ không lưu trữ (Zero Retention Mode), đồng thời khi bật ZRM thì âm thanh và bản ghi chép không bị lưu lại sau khi xử lý. Tài liệu của hãng bổ sung một cảnh báo cứng rắn hơn cho mô hình truy cập sớm theo thời gian thực: không gửi thông tin sức khỏe được bảo vệ tới Scribe v3 Live Medical cho đến khi xác nhận được mô hình này đủ điều kiện HIPAA, và tính năng lưu trú dữ liệu tại EU không khả dụng trong giai đoạn truy cập sớm. Hai phát biểu đó cùng tồn tại trên trang của ElevenLabs và chúng không phải là cùng một phát biểu.

Về phía OpenAI, endpoint phiên âm là một API doanh nghiệp tiêu chuẩn với cách xử lý dữ liệu thông thường; nó không được bán như một sản phẩm lâm sàng và không có tinh chỉnh dành riêng cho y tế. Điều nó thực sự mang lại là lợi thế thực tiễn của một mô hình xử lý theo lô: PHI rời khỏi vành đai của bạn một lần, trong một tệp do bạn chọn, trong khoảng thời gian bạn biết, và quay trở lại dưới dạng văn bản do bạn tự lưu trữ. Không có luồng liên tục nào cần phải cân nhắc.

Sự bất đối xứng đó lại đi theo một hướng bất ngờ. Một pipeline theo lô dễ được làm cho tuân thủ hơn chính vì nó có ít thành phần vận hành hơn, và nếu quy trình lâm sàng của bạn chấp nhận độ trễ vài phút — tài liệu ghi nhận tự động được xem lại sau buổi khám, một ghi chú được soạn để bác sĩ ký — thì GPT Transcribe với một prompt cẩn thận và một danh sách từ khóa là một câu chuyện tuân thủ đơn giản hơn so với một mô hình thời gian thực quyền truy cập sớm chưa đủ điều kiện cho PHI.

Chi phí cho mỗi nghìn cuộc gọi, cả hai dạng

Một nghìn cuộc gọi lâm sàng kéo dài mười phút là 10.000 phút. Trên GPT Transcribe, con số đó là $45. Trên làn trực tiếp của OpenAI, con số đó là $170. Với Scribe v3 Live Medical, không có con số nào để tính, vì mô hình nằm trong gói đăng ký ElevenAgents được định giá theo phút hội thoại, gộp chung với LLM, tổng hợp giọng nói, dịch vụ điện thoại và cơ chế luân phiên lượt nói. Việc gói đó có rẻ hơn $45 cộng với stack agent của riêng bạn hay không hoàn toàn phụ thuộc vào chi phí stack agent của riêng bạn, và giá của ElevenLabs không thể tách thành một hạng mục ASR.

Phần có thể phân tách được là nhánh suy luận, và đây là phần mở rộng theo độ dài cuộc gọi chứ không phải độ dài âm thanh. Một agent lâm sàng đọc bản ghi và quyết định điều gì đó sẽ gọi LLM ở mỗi lượt; OrcaRouter phục vụ 215 mô hình sau một API tương thích OpenAI với mức phụ phí 0%, giá niêm yết của nhà cung cấp được giữ nguyên không đổi, nên mô hình nằm sau một trong hai bộ chuyển giọng nói thành văn bản có thể được hoán đổi hoặc được cấp chuyển đổi dự phòng tự động mà không cần chạm vào luồng âm thanh. Chúng tôi không cung cấp Scribe v3 Live Medical hay bất kỳ mô hình chuyển giọng nói thành văn bản nào của OpenAI, và không mức giá nào được nêu ở trên là của chúng tôi.

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.

Cách quyết định

Nếu bản ghi phải tồn tại trong khi người gọi vẫn đang nói, thì GPT Transcribe là mô hình không phù hợp, và so sánh trung thực là với endpoint trực tiếp giá $0,017/phút của OpenAI. Hãy chọn ElevenAgents nếu bạn muốn một bản tinh chỉnh lâm sàng có phát hiện lượt nói và chấp nhận lập trường tuân thủ early-access; hãy chọn làn trực tiếp của OpenAI nếu bạn muốn một endpoint có thể gọi được, giá công bố và điều kiện hóa ngữ cảnh, và bạn sẵn sàng kiểm thử ảo giác trên danh mục thuốc của riêng mình.

Nếu bản ghi là một tài liệu, thì đây không phải là một so sánh ngang tài ngang sức. GPT Transcribe rẻ hơn, được đánh giá độc lập, có thể sử dụng ngay hôm nay và được cấp phép đúng cho quy trình file-in-text-out mà bạn đang có. Câu trả lời của chính ElevenLabs trong phân khúc đó là Scribe v2 Medical với giá 0,20 USD mỗi giờ, ít lỗi hơn 15% so với Scribe v2 trên âm thanh kiểm thử lâm sàng — một đối thủ thực sự, và là một đối thủ khác với mô hình trong tiêu đề này.

Cái bẫy trong cặp so sánh này là cả hai cái tên đều chứa từ transcribe và cả hai nhà cung cấp đều công bố word error rate, nên bài so sánh tự viết ra. Không nên như vậy. Một mô hình đọc tệp; mô hình kia lắng nghe con người. Hãy chọn chiếc đồng hồ trước, rồi mới tranh luận về độ chính xác bên trong nó.