Scribe v2 Medical jest już dostępny dla wszystkich

Audio kliniczne to jeden z najtrudniejszych testów dokładności rozpoznawania mowy. Nazwy leków są długie, rzadkie i łatwo je pomylić (hydroksyzynę i hydralazynę dzieli jedna źle usłyszana sylaba). Słownictwo jest gęste — dawki, jednostki oraz terminy anatomiczne i patologiczne mogą pojawiać się szybko, jeden po drugim. Stawka jest też wyższa, bo błąd w transkrypcji może trafić do dokumentacji pacjenta. 

Dlatego ElevenLabs udostępnia dziś Scribe v2 Medical, nasz model Speech to Text dostrojony do audio klinicznego, który jest teraz ogólnie dostępny w ElevenAPI. We wszystkich przedstawionych niżej testach osiąga on jeden z najniższych współczynników błędów słów (WER) spośród porównywanych modeli i zmniejsza WER dla audio klinicznego o około 35% względem bazowego modelu Scribe v2.

Modele ogólnego przeznaczenia dobrze radzą sobie z codzienną mową, ale mogą zawodzić tam, gdzie są najbardziej potrzebne w pracy klinicznej. Wytrenowaliśmy medyczną wersję Scribe v2 dostrojoną do nazw leków i dyktowania notatek klinicznych, na publicznych benchmarkach, które każdy może odtworzyć.

Scribe v2 Medical jest zoptymalizowany pod kątem zastosowań klinicznych

Dyktowanie kliniczne (MedDictate)

MedDictate firmy Corti sprawdza transkrypcję dyktowanych notatek klinicznych, zawierających następujące po sobie nazwy leków, dawki i jednostki w języku angielskim, francuskim i niemieckim. W naszej ocenie Scribe v2 Medical osiąga najniższy ogólny WER spośród testowanych modeli oraz WER o około 35% niższy niż bazowy Scribe v2.

*Tylko angielski (24 klipy) — Deepgram Nova-3 Medical nie obsługuje języka francuskiego ani niemieckiego.

Terminologia medyczna (MedTerm)

MedTerm to również zbiór danych opublikowany przez Corti. Zawiera benchmark terminologii klinicznej z 600 próbkami w tych samych trzech językach, z oznaczonymi terminami medycznymi w każdej próbce. Dzięki temu można oceniać modele w dwóch wymiarach wykraczających poza WER dla całej transkrypcji. Pokrycie terminów to odsetek oznaczonych terminów medycznych, które poprawnie występują w transkrypcji (więcej znaczy lepiej). Term-WER to współczynnik błędów wyłącznie dla tych terminów, bez uwzględniania zwykłej mowy wokół nich (mniej znaczy lepiej).

Scribe v2 Medical prowadzi w obu wymiarach wśród wszystkich testowanych modeli oraz wyprzedza każdego innego dostawcę we wszystkich trzech językach:

Benchmark Eka Medical ASR

Benchmark Eka Medical ASR zawiera 3619 angielskich próbek audio klinicznego — od pojedynczych nazw leków i schorzeń, przez zdania kliniczne, po rozmowy między klinicystami a pacjentami — z adnotacjami dla każdego terminu i opublikowanym rankingiem na stronie zbioru danych. 

Ponieważ opublikowany zbiór danych obejmuje starsze modele, takie jak Gemini 2.5 Flash i GPT-4o, przeprowadziliśmy ocenę z użyciem nowszych modeli. SemWER (semantyczny WER) ocenia, czy model usłyszał właściwą treść, niezależnie od formatu („mg” i „miligramy” liczą się jako ta sama odpowiedź), a kwWER (WER słów kluczowych) stosuje tę samą ocenę wyłącznie do oznaczonych medycznych słów kluczowych.

Eka oznacza terminy medyczne w każdej próbce, dzięki czemu można dokładniej ocenić przewagę Scribe v2 Medical nad wersją bazową wyłącznie dla terminów medycznych. Scribe v2 Medical popełnia o 15% mniej błędów niż model bazowy (9.5% wobec 11.1%), a przewaga jest największa, gdy terminy występują w pełnych zdaniach klinicznych (7.5% wobec 9.9%).

Te same dane wskazują też, że wyizolowane klipy z pojedynczym słowem (samotna nazwa leku wypowiedziana bez kontekstu) pozostają najtrudniejszym przypadkiem dla każdego modelu w rankingu, także Scribe v2 Medical. Model osiągnął 14.3% WER dla wyizolowanych terminów, wobec 7.5%, gdy pojawiają się one w zdaniach. Bez żadnego kontekstu źle usłyszana sylaba może prowadzić do zapadających w pamięć błędów:

• etodolac (NLPZ) → „It'll do the luck”
• levomilnacipran (lek przeciwdepresyjny) → „Leave me alone now, Sephora.”
• methdilazine (lek przeciwhistaminowy) → „Let's play our scene.”

Jednym ze sposobów na ograniczenie tych błędów jest promptowanie terminów kluczowych, które pozwala wyróżnić nazwy leków lub wyrażenia medyczne, aby zwiększyć szansę, że model poprawnie je zapisze.

Klienci na produkcji

Klienci już używają Scribe v2 Medical na produkcji i widzą poprawę w pracy z audio klinicznym.

„Po przejściu z Deepgram na ElevenLabs Scribe v2 Medical widzimy znacznie większą dokładność w terminologii klinicznej, co zmieniło pracę zespołu” — mówi Mendel Erlenwein, CEO i założyciel CareCo. „Gdy nasi koordynatorzy ufają transkrypcjom, poświęcają mniej czasu na poprawianie notatek, a więcej na rozmowy telefoniczne z pacjentami. Nasi pacjenci stosują złożone terapie, a notatka czytana przez zespół opieki musi być poprawna.”

Dobra skuteczność w przypadku ogólnej mowy

Zespół sprawdził też, że medyczne dostrojenie nie pogarsza wyników w innych obszarach. Na 6000 próbek codziennej, niemedycznej mowy pochodzących z Common Voice Scribe v2 Medical osiąga po zaokrągleniu ten sam wynik co bazowy Scribe v2: w obu przypadkach WER wynosi 5.3%. Z v2 Medical zyskujesz więc zalety wyspecjalizowanego modelu medycznego bez utraty dokładności w tym benchmarku.

Stworzony z myślą o chronionych danych zdrowotnych

Scribe v2 Medical kwalifikuje się do zgodności z HIPAA dla klientów Enterprise z zawartymi umowami Business Associate Agreement i włączonym Tryb zerowej retencji (ZRM).

Gdy ZRM jest włączony dla żądań API zamiany mowy na tekst, dane wejściowe audio i tekst wyjściowy są usuwane natychmiast po zakończeniu każdego żądania. ElevenLabs nie przechowuje ani jednych, ani drugich, a twoja aplikacja otrzymuje pełną odpowiedź API i kontroluje sposób przechowywania transkrypcji.

Jak zacząć

Scribe v2 Medical jest dostępny w API zamiany mowy na tekst. Wystarczy przekazać nowy identyfikator modelu: 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);

Model działa w wsadowym punkcie końcowym Zamiana mowy na tekst.