O Scribe v2 Medical já está disponível para todos

O áudio clínico é um dos testes mais difíceis para o reconhecimento de fala preciso. Os nomes de medicamentos são longos, raros e fáceis de confundir (hydroxyzine e hydralazine diferem por uma única sílaba ouvida incorretamente). O vocabulário é denso, com dosagens, unidades e termos de anatomia e patologia que podem surgir em sequência rápida. Os riscos também são maiores, pois um erro de transcrição pode acabar no prontuário de um paciente. 

É por isso que a ElevenLabs lança hoje o Scribe v2 Medical, nosso modelo de Speech to Text ajustado para áudio clínico, que agora está disponível de forma geral na ElevenAPI. Em todas as avaliações apresentadas abaixo, ele registra consistentemente uma das menores taxas de erro de palavras (WER) entre os modelos comparados e reduz a WER em áudio clínico em aproximadamente 35% em relação ao nosso modelo Scribe v2 base.

Modelos de uso geral lidam muito bem com a fala do dia a dia, mas podem perder desempenho justamente onde os fluxos de trabalho clínicos mais precisam. Treinamos um Finetune médico do Scribe v2 voltado para nomes de medicamentos e ditados clínicos, usando benchmarks públicos que qualquer pessoa pode reproduzir.

O Scribe v2 Medical é otimizado para casos de uso clínicos

Ditado clínico (MedDictate)

MedDictate da Corti testa a transcrição de notas clínicas ditadas, que incluem nomes de medicamentos, dosagens e unidades em sequência, em inglês, francês e alemão. Em nossa avaliação, o Scribe v2 Medical registra a menor WER geral entre os modelos que testamos e uma WER aproximadamente 35% menor que a do Scribe v2 base.

*Somente em inglês (24 clipes) — o Deepgram Nova-3 Medical não oferece suporte para francês ou alemão.

Terminologia médica (MedTerm)

MedTerm também é um conjunto de dados publicado pela Corti e inclui um benchmark de terminologia clínica com 600 amostras nos mesmos três idiomas, com os termos médicos de cada amostra anotados. Essa anotação permite avaliar os modelos em duas dimensões além da WER da transcrição completa. A recuperação de termos é a porcentagem de termos médicos anotados que aparecem corretamente na transcrição (quanto maior, melhor). A Term-WER é a taxa de erro apenas desses termos, ignorando a fala comum ao redor deles (quanto menor, melhor).

O Scribe v2 Medical lidera todos os modelos testados nas duas dimensões e supera todos os outros provedores nos três idiomas:

Benchmark Eka Medical ASR

O benchmark Eka Medical ASR contém 3.619 amostras de áudio clínico em inglês — incluindo nomes isolados de medicamentos e condições, frases clínicas e conversas entre profissionais de saúde e pacientes — com anotações por termo e um ranking público no cartão do conjunto de dados. 

Como o conjunto de dados publicado inclui modelos mais antigos, como Gemini 2.5 Flash e GPT-4o, realizamos a avaliação com modelos mais recentes. O SemWER (WER semântica) avalia se o modelo ouviu o conteúdo correto, independentemente da formatação ("mg" e "milligrams" contam como a mesma resposta), e o kwWER (WER de palavras-chave) aplica a mesma avaliação apenas às palavras-chave médicas anotadas.

A Eka anota os termos médicos em cada amostra, o que permite avaliar de forma mais detalhada os ganhos do Scribe v2 Medical em relação ao modelo base apenas nos termos médicos. O Scribe v2 Medical comete 15% menos erros que o modelo base (9,5% vs. 11,1%), e os ganhos são maiores quando os termos aparecem em frases clínicas completas (7,5% vs. 9,9%).

Uma ressalva dos mesmos dados é que clipes isolados de uma única palavra (o nome de um medicamento dito sem nenhum contexto ao redor) continuam sendo o caso mais difícil para todos os modelos do ranking, incluindo o Scribe v2 Medical. Ele registrou WER de 14,3% em termos isolados, em comparação com 7,5% quando esses termos aparecem em frases. Sem nenhum contexto, uma sílaba ouvida incorretamente pode resultar em falhas marcantes:

• etodolac (um AINE) → "It'll do the luck"
• levomilnacipran (um antidepressivo) → "Leave me alone now, Sephora."
• methdilazine (um anti-histamínico) → "Let's play our scene."

Uma forma de reduzir esses erros é usar prompting de termos-chave, que permite destacar nomes de medicamentos ou frases médicas para direcionar o modelo a transcrevê-los corretamente.

Clientes em produção

Clientes já usam o Scribe v2 Medical em produção e observam melhorias no áudio clínico.

"Desde que trocamos o Deepgram pelo ElevenLabs Scribe v2 Medical, estamos vendo uma precisão muito maior na terminologia clínica, e isso mudou a forma como a equipe trabalha", disse Mendel Erlenwein, CEO e fundador da CareCo. "Quando nossos coordenadores confiam nas transcrições, eles podem passar menos tempo corrigindo notas e mais tempo ao telefone com os pacientes. Nossos pacientes seguem regimes complexos, e a nota que a equipe de cuidado lê precisa estar correta."

Alto desempenho em fala geral

A equipe também verificou que o Finetune médico não reduz o desempenho em outras áreas. Em 6.000 amostras de fala cotidiana não médica derivadas do Common Voice, o Scribe v2 Medical tem o mesmo desempenho que o Scribe v2 base quando os resultados são arredondados: 5,3% de WER em ambos os casos. Portanto, com o v2 Medical, você aproveita os benefícios de um modelo médico especializado sem abrir mão da precisão neste benchmark.

Desenvolvido para informações de saúde protegidas

O Scribe v2 Medical é elegível para HIPAA para clientes empresariais que tenham Contratos de Associado Comercial em vigor e o Modo de Retenção Zero (ZRM) ativado.

Com o ZRM ativado para solicitações da API de Speech to Text, a entrada de áudio e a saída de texto são excluídas imediatamente após a conclusão de cada solicitação. A ElevenLabs não retém nenhum dos dois, e sua aplicação recebe a resposta completa da API e controla como as transcrições são retidas.

Primeiros passos

O Scribe v2 Medical está disponível na API de Speech to Text. Basta informar o novo ID do modelo: 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);

O modelo é executado no endpoint em lote de Speech to Text.