
Scribe v3 Live Medical so với Whisper Large v3 Turbo: Mô hình bạn không thể thuê so với mô hình bạn có thể sở hữu
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 89 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaMỚIOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 88 tok/s
- OrcaMỚIOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaMỚIOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 trên 1 triệu token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Trí tuệ
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Trí tuệ
Whisper Large v3 Turbo là một mô hình 809 triệu tham số theo giấy phép MIT mà bạn có thể tải xuống, lượng tử hóa xuống khoảng 1,6 GB và chạy trên một GPU khiêm tốn duy nhất với tốc độ khoảng gấp tám lần Whisper Large v3. Scribe v3 Live Medical là một bản tinh chỉnh lâm sàng từ ElevenLabs mà bạn không thể tải xuống, không thể gọi qua API và hoàn toàn không thể có được trừ khi bạn đang chạy một agent bên trong ElevenAgents. Việc đặt chúng trong cùng một câu là kỳ lạ cho đến khi bạn nhận ra rằng chúng chiếm cùng một vị trí trong một quyết định thực tế: cả hai đều là thứ bạn tìm đến khi một công cụ phiên âm đa năng cứ làm sai lệch "empagliflozin", và chỉ một trong số chúng là có sẵn cho hầu hết các nhóm.
Đó mới là phép so sánh thực sự. Không phải độ chính xác — hai con số không khớp nhau — mà là tính sẵn có, và cái giá về mặt kỹ thuật mà baseline mở buộc bạn phải trả để lấp một khoảng trống mà nhà cung cấp sẽ không bán cho bạn một giải pháp đóng để lấp vào.
Phiên bản mười một chữ về lý do đây không phải là một cuộc đối đầu benchmark
Con số được ElevenLabs công bố cho Scribe v3 Live Medical là tỷ lệ lỗi từ 12.8% trên PriMock57, 57 buổi tư vấn chăm sóc ban đầu giả lập, so với 15.5% đến 17.2% của bốn mô hình y tế thời gian thực và mô hình tổng quát cạnh tranh. Các con số được công bố của Whisper Large v3 Turbo là 2.1% trên LibriSpeech test-clean và 4.2% trên test-other — lời nói đọc từ sách nói tiếng Anh, một kho ngữ liệu đã là chuẩn đánh giá mở trong nhiều năm và gần như là thứ xa nhất so với một cuộc điện thoại bàn về đơn thuốc mà âm thanh có thể có.
Trên các điều kiện LibriSpeech, một mô hình mở 809M vượt qua một bản tinh chỉnh lâm sàng với khoảng cách rất lớn. Trong một buổi tư vấn thực tế với chiếc tai nghe tồi, cả hai con số đều chỉ là nhiễu. Không con số nào dự đoán được con số kia, và bất kỳ ai đem chúng ra so sánh rồi tuyên bố người thắng là đang so một phép đo trong phòng sạch của một mô hình xử lý theo lô với một phép đo do nhà cung cấp thực hiện trên một mô hình truyền trực tuyến. Cách diễn đạt trung thực là: bản tinh chỉnh y tế tuyên bố có lợi thế so với các mô hình thời gian thực khác trên âm thanh lâm sàng, còn Whisper tuyên bố có lợi thế so với các mô hình mở khác trên giọng đọc sạch, và không tuyên bố nào liên quan đến tuyên bố kia.
Whisper Large v3 Turbo thực sự là gì và không phải là gì
Bản chưng cất Whisper Large v3 của OpenAI, phát hành theo giấy phép MIT vào tháng 10 năm 2024: 32 lớp encoder và 4 lớp decoder, giảm từ 32 — đây chính là nguồn gốc của tốc độ. Nó chạy trong các bản dựng faster-whisper, whisper.cpp, ONNX và GGUF, lượng tử hóa đủ nhỏ để chạy trên laptop, hỗ trợ 99 ngôn ngữ và không tốn phí cấp phép dù bạn chạy trên một GPU hay cả một rack.
Điều nó không phải là, và đây là danh sách quan trọng đối với một tác nhân lâm sàng:
• Nó không hỗ trợ truyền phát. Kiến trúc của Whisper được xây dựng quanh một cửa sổ cố định 30 giây, vì vậy "thời gian thực" có nghĩa là chia nhỏ âm thanh và chạy lại, phải trả giá cho phần chồng lấn và chấp nhận rằng bản ghi lời nói bị trễ so với giọng nói đúng bằng lượng bạn đệm. Không có luồng kết quả từng phần gốc và không có tính năng nhận diện lượt nói.
• Nó không phân tách người nói. Một luồng từ ngữ duy nhất, không có khái niệm ai nói gì. Đối với một buổi tư vấn hai người, khi cả bệnh nhân và bác sĩ lâm sàng đều nêu tên thuốc, bạn phải gắn thêm một mô hình dán nhãn người nói riêng, hoặc chấp nhận một bản ghi lời nói không có nhãn.
• Nó không định dạng. Dấu câu và cách viết hoa/thường xuất ra đúng như âm thanh tạo ra, cùng với mọi từ ngập ngừng. Không xử lý tự sửa lỗi, không viết hoa đầu câu, không có cấu trúc ghi chú lâm sàng.
• Nó không được huấn luyện để dịch, và nó không có cơ chế thiên lệch theo lĩnh vực. Không có danh sách thuật ngữ khóa để đưa cho nó danh mục thuốc, và không có lời nhắc nào để nói với nó rằng đây là một cuộc gọi tim mạch. Bạn tinh chỉnh, hoặc xử lý hậu kỳ, hoặc chấp nhận các lỗi.
Scribe v3 Live Medical, ngược lại, được xây dựng gần như hoàn toàn từ bốn thứ còn thiếu đó: nó phát trực tiếp, nó có dự đoán lượt nói chờ đọc xong một mã thành viên, nó hỗ trợ tối đa 10.000 thuật ngữ lâm sàng tùy chỉnh miễn phí, và nó là bản tinh chỉnh của một mô hình được huấn luyện trên hội thoại thay vì sách nói. ElevenLabs thẳng thắn về điểm dừng của điều đó — các tên thuốc tách rời không có ngữ cảnh xung quanh là trường hợp khó nhất đối với mọi mô hình, và lời khuyên là dùng keyterms để thiên lệch về những gì bạn mong đợi.

Chi phí kỹ thuật để tự thu hẹp khoảng cách
Đây là lúc cuộc so sánh trở thành một bảng tính chứ không phải bảng xếp hạng. Một nhóm muốn Whisper Large v3 Turbo hoạt động như một công cụ phiên âm lâm sàng thời gian thực thì phải xây dựng bốn thứ:
• Một wrapper phát trực tuyến — âm thanh được chia khúc, các cửa sổ chồng lấn, hợp nhất giả thuyết từng phần và một quy tắc endpointing của riêng bạn, vì Whisper không cung cấp cho bạn quy tắc nào. Hãy chuẩn bị dành thời gian thực sự cho việc xử lý mối nối; đó là nơi phần lớn các tác nhân giọng nói tự xây dựng gặp độ trễ tệ nhất.
• Một cơ chế từ vựng — Whisper không có cơ chế nào như vậy. Hoặc bạn tinh chỉnh trên chính dữ liệu âm thanh lâm sàng của mình, việc này cần dữ liệu có gán nhãn mà có lẽ bạn không có, hoặc bạn hậu hiệu chỉnh dựa trên danh sách tên thuốc, đây là một bài toán so khớp mờ tự sinh ra một nhóm lỗi đầy tự tin của riêng nó.
• Một lượt diarization — mô hình thứ hai, ngân sách độ trễ thứ hai, và một bước hợp nhất phải căn chỉnh các lượt người nói với mốc thời gian từng từ của Whisper.
• Hạ tầng — GPU, tự động mở rộng quy mô, hàng đợi cho luồng xử lý theo lô, và một người trực khi cỗ máy phiên âm 40 giờ mỗi ngày bị sập lúc 2 giờ sáng.
Không điều nào trong số đó là rào cản không thể vượt qua. Tất cả đều là công việc mà một mô hình lâm sàng được quản lý sẽ đảm nhận, và câu hỏi thẳng thắn là liệu thời gian của nhóm bạn nên dành cho việc đó hay cho chính sản phẩm lâm sàng. Với một nhóm nghiên cứu hoặc nhóm nền tảng đã vận hành hạ tầng suy luận, câu trả lời thường là có — đó chính là lý do Whisper trở thành lựa chọn mặc định ngay từ đầu. Với một startup y tế số năm người mà điểm khác biệt cạnh tranh là quy trình làm việc của điều dưỡng, câu trả lời thường là không.
Giấy phép mới là lợi thế thực sự, và đó không phải là một lợi thế nhỏ.
Giấy phép MIT của Whisper nghĩa là không có nhà cung cấp, không có đồng hồ đo, không có phí theo phút tăng theo lưu lượng cuộc gọi và không có yêu cầu rằng âm thanh bệnh nhân phải rời khỏi mạng của bạn. Đối với một đơn vị thuộc diện điều chỉnh, điểm cuối cùng đó không phải là thứ chỉ để cho có. Triển khai Whisper tự lưu trữ bên trong VPC của chính bạn là một câu chuyện tuân thủ mà đội bảo mật của bạn đã biết cách phê duyệt: PHI không bao giờ vượt qua ranh giới nhà cung cấp, việc lưu giữ nhật ký do bạn tự đặt và không có Thỏa thuận liên kết kinh doanh nào phải đàm phán.
Đối chiếu với điều đó, tài liệu ElevenLabs hiện nêu một điều mà nhân viên tuân thủ sẽ phải đọc lại lần nữa: không gửi thông tin sức khỏe được bảo vệ đến Scribe v3 Live Medical cho đến khi xác nhận mô hình đủ điều kiện HIPAA, và khả năng lưu trú dữ liệu tại EU không khả dụng trong giai đoạn truy cập sớm. Tuyên bố chung trên trang phiên âm y tế — đủ điều kiện HIPAA cho khách hàng Enterprise có BAA và Zero Retention Mode — mô tả nền tảng và sản phẩm y tế GA, Scribe v2 Medical. Đối với mô hình thời gian thực dạng truy cập sớm, cảnh báo mới là câu có hiệu lực.
Vậy nên hôm nay, baseline mở thắng tuyệt đối trong so sánh về mức độ tuân thủ, vì một lý do không liên quan gì đến độ chính xác mà hoàn toàn liên quan đến giấy tờ chưa hoàn tất.
Chi phí biên, ở ba mức sản lượng khác nhau
Whisper có chi phí phần cứng và không có đồng hồ tính cước. Chạy nó trên một GPU bạn đã sở hữu thì chi phí biên cho một phút được phiên âm gần như chỉ còn là tiền điện; thuê một GPU thì đó là giá instance chia cho thông lượng, mà trên các serving stack hiện đại chỉ là vài cent mỗi giờ âm thanh. Ở mức một nghìn giờ mỗi tháng, một GPU thuê duy nhất đáp ứng được tải với dư địa.
Scribe v3 Live Medical không có chi phí cận biên nào để tính, vì nó không được bán theo phút — nó nằm trong gói đăng ký ElevenAgents, gói này tính phí theo phút hội thoại và bao gồm LLM, dịch vụ điện thoại và giọng nói. Các mức neo API của ElevenLabs, đối với những mô hình mà bạn thực sự có thể đo lường, là $0.22 mỗi giờ cho Scribe v3 Live và $0.20 mỗi giờ cho Scribe v2 Medical, với tính năng nhắc từ khóa theo thời gian thực ở mức $0.08 mỗi giờ.
Ở mức mười giờ một tháng, con đường thuê dịch vụ quản lý rõ ràng là rẻ hơn: không phải mua GPU, không phải bảo trì pipeline, và gói đăng ký đã bao gồm cả agent. Ở mức mười nghìn giờ một tháng, Whisper tự vận hành lại rẻ hơn bất kỳ mức tính tiền theo phút nào từng được công bố, và sẽ không nhà cung cấp nào có thể hạ giá thấp hơn chi phí biên của chính phần cứng bạn chạy bộ trọng số MIT. Điểm giao thoa, như mọi khi, nằm ở chỗ lương kỹ sư của bạn chia cho số giờ tiết kiệm được rơi xuống dưới mức giá theo phút — và với một nhóm lâm sàng nhỏ, điểm đó đến muộn hơn bảng tính gợi ý, bởi vì pipeline bạn dựng lên là pipeline bạn phải bảo trì mãi mãi.

Nơi bộ định tuyến phù hợp, một cách chính xác
Whisper đưa cho bạn văn bản; nhưng vẫn còn một thứ gì đó phải đọc và hành động dựa trên nó. Trong một quy trình lâm sàng, đó là mô hình thứ hai — soạn ghi chú, trích xuất danh sách thuốc, quyết định xem cuộc gọi có cần y tá hay không — và đây là chặng tỉ lệ thuận với độ dài hội thoại chứ không phải độ dài âm thanh. OrcaRouter phục vụ 215 mô hình sau một API tương thích OpenAI với mức markup 0%, giá niêm yết của nhà cung cấp được giữ nguyên, với tính năng tự động chuyển đổi dự phòng, để mô hình suy luận đó có thể là một mô hình nhỏ, nhanh cho các phản hồi theo từng lượt và một mô hình lớn hơn cho ghi chú cuối cuộc gọi, trên cùng một khóa.
Hãy rõ ràng về ranh giới: chúng tôi không vận hành Whisper Large v3 Turbo và chúng tôi không vận hành Scribe v3 Live Medical hay bất kỳ mô hình ElevenLabs nào. Whisper tự triển khai là GPU của bạn; mô hình y tế của ElevenLabs là nền tảng của họ. Thứ chúng tôi định tuyến là lớp nằm phía trên cả hai.

Cái nào, cho đội nào
Hãy chọn Whisper Large v3 Turbo nếu bất kỳ điều nào sau đây là đúng: bạn cần bản ghi chép nằm trong vành đai bảo mật của riêng bạn, bạn đang phiên âm âm thanh đã ghi lại thay vì cuộc gọi trực tiếp, lưu lượng của bạn đủ cao đến mức tính phí theo phút là chi phí chi phối, hoặc bạn có năng lực kỹ thuật để tự xây dựng các lớp truyền phát, phân tách người nói và từ vựng. Với âm thanh lâm sàng đã ghi lại — các ghi chú đọc chính tả được xem xét sau buổi thăm khám — Whisper cùng với một lượt hậu chỉnh tên thuốc là một câu trả lời thực sự mạnh mẽ và thực sự rẻ, và giấy phép MIT của nó loại bỏ toàn bộ một nhóm cuộc trao đổi về mua sắm.
Hãy chọn Scribe v3 Live Medical nếu âm thanh là trực tiếp, từ vựng mang tính lâm sàng và agent vốn đã sẽ dùng ElevenLabs. Dự đoán lượt nói và ngân sách 10.000 thuật ngữ là những thứ mà nếu không thì bạn sẽ phải tự xây dựng, kết quả 12,8% trên PriMock57 là của chính nhà cung cấp nhưng hướng này nhất quán với những gì mọi nhà cung cấp ASR lâm sàng báo cáo, và nền tảng đảm nhận phần hạ tầng. Sau đó hãy chờ về PHI cho đến khi cảnh báo early-access được gỡ khỏi trang tài liệu.
Và nếu bạn hoàn toàn nằm ngoài ElevenAgents — mà đó là phần lớn những người đang đọc bài này — thì lựa chọn thực sự là giữa Whisper và một mô hình y tế có thể gọi được như Scribe v2 Medical, với giá $0,20 mỗi giờ và ít lỗi hơn 15% so với Scribe v2 trên âm thanh kiểm thử lâm sàng. Scribe v3 Live Medical là mô hình tốt hơn trên giấy tờ. Đơn giản là nó không được cung cấp, và một mô hình bạn không thể chạy không phải là đối thủ của một mô hình bạn có thể chạy.
