Scribe v2 Medical 现已面向所有人开放

临床音频是准确语音识别最难应对的场景之一。药物名称很长、罕见且容易混淆（hydroxyzine 和 hydralazine 仅相差一个容易听错的音节）。词汇密集，剂量、单位、解剖学和病理学术语可能接连快速出现。风险也更高，因为转录错误可能会写入患者病历。

因此，ElevenLabs 今日发布 Scribe v2 Medical，这是一款针对临床音频微调的文本转语音模型，现已在 ElevenAPI 上全面推出。在下方展示的各项评测中，它的词错误率（WER）始终位居参评模型最低之列；与基础版 Scribe v2 相比，临床音频的 WER 降低约 35%。

通用模型擅长处理日常语音，但在临床 workflow 最需要的场景中，性能可能下降。我们基于 Scribe v2 训练了医疗微调模型，重点优化药物名称和临床口述记录，并在所有人均可复现的公开基准上进行测试。

Scribe v2 Medical 专为临床场景优化

临床口述记录（MedDictate）

Corti 的 MedDictate 用于测试临床口述记录的转录，其中包含连续出现的英语、法语和德语药物名称、剂量及单位。在我们的评测中，Scribe v2 Medical 的整体 WER 在所测模型中最低，比基础版 Scribe v2 低约 35%。

*仅支持英语（24 个片段）— Deepgram Nova-3 Medical 不支持法语或德语。

医学术语（MedTerm）

MedTerm 同样是 Corti 发布的数据集，包含涵盖相同 3 种语言、由 600 个样本构成的临床术语基准；每个样本中的医学术语均已标注。这些标注使我们能够在完整转录文本的 WER 之外，从两个维度评估模型。术语召回率是转录文本中正确出现的已标注医学术语所占百分比（越高越好）。术语 WER 是仅针对这些术语计算的错误率，忽略其周围的普通语音（越低越好）。

Scribe v2 Medical 在这两个维度均领先所有测试模型，并在 3 种语言中领先其他所有提供商：

Eka Medical ASR 基准

Eka Medical ASR 基准 包含 3,619 个英语临床音频样本，涵盖单独的药物和病症名称、临床句子以及临床医生与患者之间的对话；每个术语均有标注，数据集页面还发布了排行榜。

已发布的数据集包含 Gemini 2.5 Flash 和 GPT-4o 等较早模型，因此我们使用较新的模型进行了评测。SemWER（语义 WER）衡量模型是否识别出正确内容，不考虑格式差异（“mg”和“milligrams”视为相同答案）；kwWER（关键词 WER）则仅对已标注的医学关键词采用相同评分方式。

Eka 为每个样本中的医学术语添加了标注，因此可以只针对医学术语，更细致地评估 Scribe v2 Medical 相比基础版的提升。Scribe v2 Medical 的错误比基础版少 15%（9.5% 对 11.1%），且术语出现在完整临床句子中时，提升最为明显（7.5% 对 9.9%）。

同一数据也表明，孤立的单词片段（没有上下文、仅说出一个药物名称）仍是排行榜上所有模型最难应对的情况，包括 Scribe v2 Medical。它在孤立术语上的 WER 为 14.3%，而这些术语出现在句子中时为 7.5%。在毫无上下文的情况下，一个听错的音节就可能导致令人印象深刻的错误：

• etodolac（一种 NSAID）→ “It'll do the luck”
• levomilnacipran（一种抗抑郁药）→ “Leave me alone now, Sephora.”
• methdilazine（一种抗组胺药）→ “Let's play our scene.”

减少这些错误的一种方法是使用 关键词提示，它可以让你突出药物名称或医学短语，引导模型更准确地转录这些内容。

生产环境中的客户

客户已在生产环境中使用 Scribe v2 Medical，并看到临床音频质量的提升。

“从 Deepgram 切换到 ElevenLabs Scribe v2 Medical 后，我们在临床术语上的准确率显著提升，这改变了团队的工作方式。”CareCo CEO 兼创始人 Mendel Erlenwein 表示，“当协调员信任转录文本时，他们就能减少更正记录的时间，把更多时间花在与患者通话上。患者的治疗方案很复杂，护理团队阅读的记录必须准确无误。”

通用语音表现出色

团队还验证了医疗微调不会降低其他领域的表现。在源自 Common Voice 的 6,000 个日常非医疗语音样本上，Scribe v2 Medical 四舍五入后的得分与基础版 Scribe v2 相同，两者的 WER 均为 5.3%。因此，v2 Medical 既能提供专业医疗模型的优势，也不会牺牲该基准上的准确率。

为受保护健康信息而构建

对于已签署商业伙伴协议且启用 零保留模式（ZRM）的企业客户，Scribe v2 Medical 符合 HIPAA 资格要求。

为 文本转语音 API 请求启用 ZRM 后，每次请求完成后都会立即删除音频输入和文本输出。ElevenLabs 不会保留其中任何内容；应用会收到完整的 API 响应，并可自行控制如何保留转录文本。

开始使用

Scribe v2 Medical 可通过 文本转语音 API 使用。只需传入新的模型 ID：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);

该模型运行在批量 文本转语音 端点上。