標題卡寫著「Scribe v3 Live Medical vs GPT Transcribe」,副標題為「兩個不同的時鐘」。下方是雙軌時間軸:上方軌道標示為「通話期間」,顯示即時波形饋入逐字增長的逐字稿;下方軌道標示為「通話結束後」,顯示已完成的音訊檔饋入一份整塊呈現的完整逐字稿。
Guides & Insights

Scribe v3 Live Medical 與 GPT Transcribe:兩種截然不同的時鐘

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

這兩個模型並非競爭對手,而把它們當成同一個模型,是最快浪費一季的做法。GPT Transcribe 是 OpenAI 的離線語音轉文字模型:你把已完成的音訊檔案送到轉錄端點,就會回傳完整且格式化好的逐字稿。它無法聆聽進行中的通話——OpenAI 自己的文件已明確說明這點,並建議任何需要串流功能的人改用 gpt-live-transcribe 或 gpt-realtime-whisper。Scribe v3 Live Medical 則是相反的形態:一個只存在於 ElevenAgents 內的即時臨床微調模型,能在來電者仍在線上時轉錄病患、會員與醫療提供者的通話,讓代理能在句子還沒說完前就對劑量做出反應。

所以,真正該問的問題不是哪個模型更好,而是你的工作流程是依照哪個時鐘在運行。如果人類或模型必須在對話進行中採取行動——回答問題、查詢給付、發現禁忌症——那麼在任何準確度比較開始之前,GPT Transcribe 就已經被淘汰,而這條路線上唯一的 OpenAI 選項每分鐘費用是它的 3.8 倍。如果逐字稿是事後才產出的文件,那麼 Scribe v3 Live Medical 則是因為完全不同的理由而無法使用:它沒有 API、沒有模型 ID,也沒有價格,而且除了 ElevenAgents 代理程式以外,任何東西都無法呼叫它。

每個人各自所依據的時鐘

GPT Transcribe 的計費標準是每分鐘 $0.0045,也就是每音訊小時 $0.27,而它的限制就是檔案本身的限制:OpenAI 的轉錄端點每次請求最多接受 25 MB,模型會回傳套用語言提示的轉錄稿。不會有部分結果,因為沒有什麼可供部分處理的。對於錄製的拜訪、口述筆記、一批封存的通話,這正是合適的形式,而且是把文字從音訊中提取出來較便宜的方式之一。

OpenAI 的串流通道是另一條產品線,費率也不同:gpt-live-transcribe 每分鐘計費 $0.017,約每音訊小時 $1.02。這就是按時計價的代價——在尚未討論準確度之前,已是同一供應商轉錄批次費率的 3.8 倍。OpenAI 的即時轉錄實力其實也就在這裡;如果你是在把即時轉錄跟即時轉錄相比,該拿來對照 Scribe v3 Live 的就是這個模型,而不是 GPT Transcribe。

Scribe v3 Live Medical 的計時範圍,就是 ElevenAgents 內一段對話的長度。沒有檔案。有的是平台管理的 WebSocket 形式串流、一個用來判定來電者何時說完話的輪次模型,以及代理程式為了採取行動而依序取用的轉錄稿。ElevenLabs 並未公布醫療版本的延遲數據;同系列的數據是,Scribe v3 Live 的語意詞錯誤率比 Scribe v2 Realtime 低 44%,而後者從說話到取得已提交轉錄稿的中位時間約為 150 毫秒。ElevenLabs 表示,醫療微調版在延遲方面與 Scribe v3 Live 相同。

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'.

準確性:一個經審核的數字,一個廠商的數字,兩者不重疊

GPT Transcribe 有一個公開且經獨立測量的詞錯誤率:在 Artificial Analysis 的 AA-WER 基準上為 3.31%,在其 2026 年 7 月推出時,於約五十個受追蹤系統中名列第九;其子分數為客服通話音訊 2.22%、VoxPopuli 2.72%,以及財報電話會議 6.10%。那個單一數字內部的差距才是有趣之處——財報電話會議帶有口音、交疊談話和領域術語,對它而言比清晰的客服通話難近三倍。臨床問診落在該差距的某處,而沒有人測量過確切位置。

Scribe v3 Live Medical 在 PriMock57 上的字詞錯誤率為 12.8%;PriMock57 是 ElevenLabs 選用的 57 場模擬基層醫療諮詢集合,而在同一供應商測試中,四款競爭對手的即時模型則介於 15.5% 至 17.2%。這個數字無法與 3.31% 相比,無論從哪個方向都無法相比,而且原因不只是語料庫不同:這兩個數字來自不同的測試框架、不同的音訊條件,且關鍵在於不同的延遲。批次模型可以檢視整個檔案;串流模型則必須在不知道後續內容的情況下做出判斷。在同一段音訊上,串流 WER 系統性地比批次 WER 更差,這也是 Artificial Analysis 將兩者分別發布於不同榜單的原因。

站得住腳的說法是:GPT Transcribe 是一個經過完善評估的批次模型,在一般語音上落在低個位數;Scribe v3 Live Medical 則是廠商自行評估的串流模型,在臨床音訊上以約三個百分點勝過其即時串流的同類產品;而公開領域中,沒有任何實驗把兩者放在同一段錄音上比較。

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.'

領域適應,這才是真正差異所在

臨床詞彙正是 ElevenLabs 模型存在的全部理由,而它從兩個方向解決這個問題:一是針對藥物名稱、解剖與病理進行訓練的微調模型,二是可接受多達 10,000 個自訂詞彙的關鍵詞機制——處方集、醫療人員名冊、專科詞典——且不額外收費。ElevenLabs 在其 FAQ 中坦承這項限制:模型只有在音訊很可能相符時才會套用詞彙,而沒有上下文的孤立藥名是所有模型最難處理的情況。其範例轉錄稿採用較容易的形式:句子中的藥名附有劑量。

OpenAI 的做法是指令,而非微調。GPT Transcribe 接受關鍵字清單,以及一段描述音訊內容的自由形式提示;在即時端,模型會將先前的轉錄輪次帶入作為上下文。OpenAI 在其 Context Aware ASR 基準上對這種條件化效果所做的自家測量,讓即時模型的語意準確率從 38.5% 提升到 44.6%——這是廠商自行報告的數字,衡量的是意義是否保留,而非用字是否正確。

實際上的取捨,而且這是真實存在的取捨:當你告訴一個受提示詞制約的模型該預期什麼時,它可能比其原始基準表現好得多,但它也可能憑空生成你提供的關鍵詞。把「metformin」放進提示詞裡,即使模型聽不清這個詞,也可能照樣產出它。偏向關鍵詞的模型退化得較為平順,因為偏置會移動機率,而不是斷言其存在。這兩種失敗模式都不會出現在排行榜上。兩者都會出現在臨床紀錄中,而在那裡,憑空生成的劑量比空白更糟。

合規問題取決於形式,而非評分卡

對受規範實體而言,這正是真正終結評估的一節。ElevenLabs 表示,Scribe v2 Medical——批次版的同系列產品,也就是可透過 API 呼叫的那一款——在具備業務夥伴協議與零保留模式(ZRM)的情況下符合 HIPAA 資格,而且啟用 ZRM 後,音訊與逐字稿在處理完成後不會被保留。其文件對即時早期存取模型提出更明確的警告:在確認 Scribe v3 Live Medical 符合 HIPAA 資格之前,請勿向其傳送受保護健康資訊;此外,早期存取期間不提供歐盟資料駐留。這兩項陳述並存於 ElevenLabs 網站上,但它們並不是同一項陳述。

在 OpenAI 方面,轉錄端點是標準的企業級 API,具備一般常見的資料處理態勢;它並非作為臨床產品販售,也未包含醫療專用微調。它確實具備的,是作為批次模型的實務優勢:PHI 只會在你選定的檔案中、於你已知的期間內離開你的邊界一次,並以你自己儲存的文字形式回來。沒有需要考量的持續性串流。

這種不對稱會朝意想不到的方向產生影響。批次管線之所以更容易做到合規,正是因為它的組成元件較少;而如果你的臨床工作流程能容忍幾分鐘的延遲——在看診後審閱環境式記錄、先草擬一份病歷供臨床醫師簽署——那麼搭配謹慎提示詞與關鍵字清單的 GPT Transcribe,會比一個尚未符合 PHI 處理資格的搶先體驗即時模型,具備更單純的合規說明。

兩種形式的每千次呼叫成本

一千通十分鐘的臨床通話就是 10,000 分鐘。在 GPT Transcribe 上是 45 美元。在 OpenAI 的即時通道上是 170 美元。在 Scribe v3 Live Medical 上則沒有數字可算,因為該模型包含在 ElevenAgents 訂閱方案中,按對話分鐘計價,並與 LLM、語音合成、電話通訊和輪流發言機制綁在一起。這個套裝方案是否比 45 美元加上你自己的代理技術堆疊更便宜,完全取決於你自己的代理技術堆疊成本,而 ElevenLabs 的價格無法拆解出 ASR 單項。

可拆解的是推理這一段,而它是隨通話長度而非音訊長度擴展的。一個會讀取逐字稿並做出判斷的臨床代理,每一輪都會呼叫 LLM;OrcaRouter 在單一 OpenAI 相容 API 背後提供215 個模型,零加成,供應商定價原樣透傳,因此無論是哪一個轉錄器背後的模型都能被替換或設定自動容錯移轉,而無須改動音訊路徑。我們不提供 Scribe v3 Live Medical 或任何 OpenAI 轉錄模型,且上述引用的費率沒有一個是我們的。

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.

如何決定

如果逐字稿必須在來電者還在說話時就存在,GPT Transcribe 就是錯誤的模型,而誠實的比較對象是 OpenAI 每分鐘 $0.017 的即時端點。如果你想要具備輪次偵測的臨床級微調,並且接受搶先體驗版的合規立場,就選 ElevenAgents;如果你想要可呼叫的端點、公開的價格與上下文調節,並且準備好在你自己的處方集上測試幻覺,就選 OpenAI 的即時通道。

如果轉錄成果是一份文件,那這根本沒得比。GPT Transcribe 更便宜、經過獨立基準測試、現在就能呼叫,而且授權範圍正好涵蓋你現有的「檔案進、文字出」工作流程。ElevenLabs 在該領域自家的對應方案是 Scribe v2 Medical,每小時 $0.20,在臨床測試音訊上比 Scribe v2 少 15% 的錯誤——這是真正的競爭對手,而且與本文標題中的模型不同。

這個配對的陷阱在於:兩個名稱都含有 transcribe 這個字,而且兩家廠商都公布詞錯誤率,所以比較結果似乎不言自明。但不應如此。一個模型讀取檔案;另一個聆聽人說話。先選定計時基準,再在這個基準內爭論準確度。