ElevenLabs 发布 Scribe v2 Medical：面向医疗临床音频的批量语音识别模型正式可用

这次发布的是什么

2026 年 9 月 11 日，ElevenLabs 在官方更新日志中宣布 Scribe v2 Medical 正式可用。它是 ElevenLabs 开发的一款批量语音识别模型，专门面向医疗和临床音频，通过 API 以闭源服务方式提供，官方未说明是否开放权重或支持本地部署。

使用方式很直接：在 Create transcript 接口中把 model_id 设为 scribe_v2_medical，就能转写音频。官方说明它的计费与 Scribe v2 相同，也就是说医疗专用版本没有单独加价，这一点对需要批量处理问诊录音的团队比较友好。

它和 Scribe v2 是什么关系

Scribe v2 Medical 不是从零开始的新平台，而是已有 Scribe v2 家族中面向医疗场景的专门版本。官方明确写到，关键术语提示、实体识别、说话人分离和不逐字模式这几项功能，工作方式与 Scribe v2 一致。

可以把它理解成同一套听写本领的“医疗专科版”：普通版什么内容都听，医疗版则针对医生与患者对话、临床记录这类音频做了专门化。官方未说明它在通用音频上的表现是否与 Scribe v2 相同。

关键术语提示有什么用

医疗对话里常出现药名、检查名和缩写，普通听写容易听错。关键术语提示就像提前给速记员一张小纸条，写上“今天可能会听到这些词”，让模型在转写时更留意这些词，减少把专业名词写成同音错字的情况。

官方只说该功能与 Scribe v2 工作方式相同，没有给出医疗场景下的具体准确率数字。实际使用时，建议先用自己科室的录音做小批量测试，再决定是否大规模使用。

实体识别与说话人分离

实体识别可以理解为自动圈出文字里的重要信息，比如人名、机构名或特定类型的词；说话人分离则是分清哪句话是医生说的、哪句话是患者说的，像给对话贴上不同颜色的标签。

这两项能力对整理问诊记录很有帮助，但官方未说明医疗版是否针对医学术语做了额外的实体类型扩展。如果业务依赖特定字段抽取，需要自行验证输出结构是否符合预期。

不逐字模式适合什么场景

不逐字模式会去掉“嗯”“啊”这类口头语和重复，输出更通顺的文字，适合做病历摘要或会议纪要。它的代价是文字不再与录音逐字对应，不适合需要精确引用原话的场合。

官方说明该模式与 Scribe v2 相同，未说明医疗版是否有额外调整。选择模式时应先想清楚用途：要留证据就保留逐字，要读得顺就开启不逐字。

计费与调用路径

官方写明 Scribe v2 Medical 按与 Scribe v2 相同的费率计费，但没有在更新日志中给出具体价格数字，需要到定价页面确认。调用路径是在 Create transcript 时传入 scribe_v2_medical 作为 model_id。

由于是批量语音识别模型，它更适合先上传音频、再取回文字的流程，而不是实时对话字幕。官方未说明并发限制、单次音频时长上限和文件格式要求，接入前应查阅对应接口文档。

限制与核验方法

原文没有说明支持的语言、音频时长限制、数据保留与隐私合规细节，也没有给出医疗场景的准确率对比。这些空白意味着不能仅凭更新日志判断它是否满足所在地区的医疗数据合规要求。

核验时可以先取少量脱敏录音，分别用 Scribe v2 和 Scribe v2 Medical 转写，比较专业术语的错字率；同时确认计费页面上的实际单价，并检查接口返回是否包含所需字段。官方未说明的事项，应以正式文档和商务沟通为准。

适合哪些人使用

它适合需要批量处理医疗和临床音频的开发者、医疗信息化团队以及做临床记录工具的产品方。对只需要通用听写的用户，继续使用 Scribe v2 即可，不必特意切换到医疗版。

对小学生和初中生来说，可以把它想成一位专门听医生和病人说话的速记员：它只负责把话变成文字，不会看病，也不会替医生做判断。真正使用前，仍要由专业人员核对文字内容。