Scribe v2 Medicalをどなたでもご利用いただけるようになりました

臨床オーディオは、正確な音声認識にとって最も難しい試験の一つです。薬剤名は長く、まれで、混同しやすいものです（hydroxyzineとhydralazineは、聞き違えやすい音節が一つ違うだけです）。投与量、単位、解剖学、病理学の用語が立て続けに現れるため、語彙も専門的です。文字起こしの誤りが患者のカルテに記載される可能性があるため、リスクもより高くなります。 

そこでElevenLabsは本日、Scribe v2 Medicalをリリースします。これは臨床オーディオ向けに微調整したスピーチtoテキストモデルで、ElevenAPIで一般提供を開始しました。以下の評価では、比較対象モデルの中でも一貫して最も低い単語誤り率（WER）の一つを記録し、ベースモデルのScribe v2と比べて臨床オーディオのWERを約35％削減しています。

汎用モデルは日常会話の処理に優れていますが、臨床ワークフローで最も必要とされる場面では性能が低下することがあります。誰でも再現できる公開ベンチマークを用い、薬剤名と臨床ディクテーションに重点を置いたScribe v2の医療向け微調整モデルをトレーニングしました。

Scribe v2 Medicalは臨床ユースケース向けに最適化されています

臨床ディクテーション（MedDictate）

CortiのMedDictateは、英語、フランス語、ドイツ語で薬剤名、投与量、単位が連続して現れる、口述された臨床ノートの文字起こしをテストします。当社の評価では、Scribe v2 Medicalはテストしたモデルの中で総合WERが最も低く、ベースのScribe v2よりもWERが約35％低い結果でした。

*英語のみ（24クリップ）—Deepgram Nova-3 Medicalはフランス語またはドイツ語をサポートしていません。

医学用語（MedTerm）

MedTermもCortiが公開したデータセットで、同じ3言語の臨床用語ベンチマーク600サンプルを収録しています。各サンプルでは医学用語にアノテーションが付与されています。このアノテーションにより、文字起こし全体のWERに加えて、2つの指標でモデルを評価できます。用語再現率は、アノテーションされた医学用語のうち、文字起こしに正しく現れる割合です（高いほど良好）。Term-WERは、それらの用語だけを対象に、周囲の通常の発話を除外した誤り率です（低いほど良好）。

Scribe v2 Medicalは、テストしたすべてのモデルを両指標で上回り、3言語すべてで他のすべてのプロバイダーをリードしています。

Omi Healthの医療スピーチtoテキストベンチマーク

独立したテストでも優れた性能を示しています。Omi Healthは、1,513件の英語臨床クリップ（57件の診療、計7.2時間）で評価した30モデルの公開リーダーボードを管理しています。Scribe v2 Medicalは、テストされた30モデルの中で総合WERが最も低く（5.88％）、ベースのScribe v2と比べて投与量の精度も大幅に向上しています（86.2％対79.8％）。 

Omiのベンチマークは9月25日にScribe v2 Medicalの結果を反映して更新されます。上記の数値は、その更新に先立ち、Omiの許可を得て共有しています。

Eka Medical ASRベンチマーク

Eka Medical ASRベンチマークには、単独で発話された薬剤名・疾患名、臨床文、臨床医と患者の会話にわたる3,619件の英語臨床オーディオサンプルが収録されています。用語ごとのアノテーションと、データセットカード上の公開リーダーボードも提供されています。 

公開データセットにはGemini 2.5 FlashやGPT-4oなどの古いモデルが含まれているため、より新しいモデルを対象に評価を実施しました。SemWER（意味的WER）は、表記にかかわらずモデルが正しい内容を聞き取ったかを評価します（「mg」と「milligrams」は同じ回答として扱われます）。kwWER（キーワードWER）は、アノテーションされた医学キーワードだけに同じ評価を適用します。

Ekaでは各サンプルの医学用語にアノテーションを付与しているため、医学用語だけに絞って、ベースモデルに対するScribe v2 Medicalの改善をより細かく評価できます。Scribe v2 Medicalはベースモデルよりも誤りが15％少なく（9.5％対11.1％）、用語が完全な臨床文内に現れる場合に改善幅が最も大きくなります（7.5％対9.9％）。

同じデータから得られる注意点として、単独の1語クリップ（周囲の文脈なしで発話された薬剤名のみ）は、Scribe v2 Medicalを含むリーダーボード上のすべてのモデルにとって、依然として最も難しいケースです。単独の用語ではWER 14.3％だったのに対し、その用語が文中に現れる場合は7.5％でした。文脈がまったくないと、1音節の聞き違いが印象的な失敗につながることがあります。

• etodolac（NSAID）→「It'll do the luck」
• levomilnacipran（抗うつ薬）→「Leave me alone now, Sephora.」
• methdilazine（抗ヒスタミン薬）→「Let's play our scene.」

こうした誤りを減らす方法の一つが、キータームプロンプティングです。薬剤名や医学的フレーズを強調し、モデルがそれらを正確に文字起こしするよう誘導できます。

本番環境で利用するお客様

お客様はすでに本番環境でScribe v2 Medicalを利用し、臨床オーディオの改善を実感しています。

「DeepgramからElevenLabs Scribe v2 Medicalに切り替えて以来、臨床用語の精度が大幅に向上し、チームの働き方が変わりました」と、CareCoのCEO兼創業者であるMendel Erlenwein氏は話します。「コーディネーターが文字起こしを信頼できれば、ノートの修正に費やす時間を減らし、患者との電話により多くの時間を使えます。患者は複雑な治療レジメンを受けており、ケアチームが読むノートは正確でなければなりません。」

一般音声でも高い性能

チームは、医療向け微調整モデルが他の領域で性能を低下させないことも確認しました。Common Voiceに由来する日常的な非医療音声6,000サンプルでは、Scribe v2 Medicalは四捨五入後のスコアでベースのScribe v2と同じで、いずれもWERは5.3％でした。つまりv2 Medicalなら、このベンチマークでの精度を犠牲にすることなく、専門的な医療モデルの利点を得られます。

保護対象保健情報のために設計

Scribe v2 Medicalは、Business Associate Agreementを締結し、ゼロ保持モード（ZRM）を有効にしたエンタープライズのお客様でHIPAA対応が可能です。

スピーチtoテキストAPIリクエストでZRMを有効にすると、オーディオ入力とテキスト出力は各リクエストの完了直後に削除されます。ElevenLabsはいずれも保持せず、アプリケーションは完全なAPIレスポンスを受け取り、文字起こしの保持方法を管理できます。

利用を開始する

Scribe v2 Medicalは、スピーチtoテキストAPIで利用できます。新しいモデルIDを渡すだけです：scribe_v2_medical

import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";

const elevenlabs = new ElevenLabsClient({ apiKey: "YOUR_API_KEY" });

const fileData = await fs.promises.readFile("clinical_audio.mp3");

const transcription = await elevenlabs.speechToText.convert({
  file: new Blob([fileData], { type: "audio/mp3" });,
  modelId: "scribe_v2_medical",
});

console.log(transcription.text);

このモデルは、バッチスピーチtoテキストエンドポイントで動作します。