ElevenLabs: Scribe v2 Medical 対 Google: Gemini 3.5 Transcribe
api14カタログの最新のUSD料金と機能をもとに、ElevenLabs: Scribe v2 Medical（$0.01 / 分 (≈ ￥2)）とGoogle: Gemini 3.5 Transcribe（$0.000420 / 分 (≈ ￥0.0665)）を並べて比較します。どちらも同じOpenAI互換APIで動作します。
仕様
| ElevenLabs: Scribe v2 Medical | Google: Gemini 3.5 Transcribe | |
|---|---|---|
| プロバイダー | ElevenLabs | |
| 音声 | $0.01 / 分 (≈ ￥2) | $0.000420 / 分 (≈ ￥0.0665) |
| 出力 | - | $42.00 / 100万トークン (≈ ￥6,651) |
| コンテキストウィンドウ | - | 98,304 |
| 最大出力 | - | 32,768 |
| 入力 | audio | audio |
| 出力 | transcription | transcription |
| ツール呼び出し | ||
| 構造化出力 | ||
| 推論の調整 | ||
| 追加日 | 2026/10/07 | 2026/09/25 |
主な違い
- Google: Gemini 3.5 Transcribeは入力トークンが97%安くなっています。
詳しく見る
ElevenLabs: Scribe v2 Medical は ElevenLabs の文字起こしモデルで、2026-10-07 にリリースされ、api14 上では elevenlabs/scribe-v2-medical として識別されます。Google: Gemini 3.5 Transcribe は Google の文字起こしモデルで、2026-09-25 にリリースされ、google/gemini-3.5-transcribe として識別されます。どちらも文字起こしカテゴリに属するため、音声を入力として受け取り、文字起こしを返すという同じ広い用途を対象としています。
両モデルは形としては近いものです。どちらも音声を入力として受け取り、文字起こしを出力として生成し、どちらも対応パラメータを公開していないため、リクエストボディを通じてサンプリングやその他の生成設定を調整することはできません。記載されている違いはコンテキストです。Gemini 3.5 Transcribe のコンテキスト長は 98304 トークンである一方、Scribe v2 Medical にはコンテキスト長の記載がありません。価格では、入力において Gemini 3.5 Transcribe の方が安価です。出力価格はデータ上で区別されておらず、どちらか一方だけがツール、構造化出力、推論を提供しているというシグナルもないため、これらはここでは決め手にはなりません。
ほとんどの文字起こし作業では、実用的な選択は 2 つの点に集約されます。価格と音声の長さです。大量の音声を文字起こししていて入力コストが重要なら、Gemini 3.5 Transcribe はより安価な入力オプションであり、バッチジョブ、長い録音、音声単位で大規模に課金されるあらゆる用途における自然なデフォルトになります。Scribe v2 Medical はより専門的な名称であり、その医療向けの位置づけは、臨床または医療のディクテーション形式の音声を想定していることを示唆しているため、内容が医療性質であり、その領域を念頭に置いて作られたモデルを求める場合に選ぶとよいでしょう。音声が短く日常的なものであれば、どちらのモデルでも作業はこなせ、価格差が最も簡単な決め手になります。
どちらのモデルも api14 を通じて呼び出す方法は同じです。API が OpenAI 互換だからです。通常のリクエスト形式で音声を文字起こしエンドポイントに送信し、2 つの間で変わるのはモデル id だけです。ElevenLabs の医療文字起こしモデルを使いたいときは elevenlabs/scribe-v2-medical を、Google のモデルを使いたいときは google/gemini-3.5-transcribe を使用します。クライアントコード、認証、リクエスト処理のその他すべてはそのままなので、切り替えは 1 行の変更であり、統合を書き直すことなく自分の音声で結果を比較できます。
価格が Gemini 3.5 Transcribe を指し示している場合でも、Scribe v2 Medical を選択肢に残しておく理由もあります。ElevenLabs のモデルは医療文字起こしに特化して位置づけられているため、臨床的または医療的に専門化された音声こそがその意図された強みが発揮される場面であり、その状況では Google モデルの安価な入力価格が決め手になる可能性は最も低くなります。汎用または大量の文字起こしでは、Gemini 3.5 Transcribe が低い入力コストと記載されたコンテキスト長を考えると妥当なデフォルトです。
文字列1つで切り替え
どちらのモデルも同じエンドポイントとリクエスト形式を使います。modelの値を"elevenlabs/scribe-v2-medical"から"google/gemini-3.5-transcribe"に変えるだけで、プロンプト、ストリーミング、ツールはそのまま動きます。
import fs from "node:fs";
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.audio.transcriptions.create({
model: "google/gemini-3.5-transcribe",
file: fs.createReadStream("audio.mp3"),
});
console.log(result.text);
その他の比較
- AssemblyAI: Universal-3.6 Pro 対 Mistral: Voxtral Mini Transcribe 3
- AssemblyAI: Universal-3.6 Pro 対 Mistral: Voxtral Small Transcribe 3
- AssemblyAI: Universal-3.6 Pro 対 Moondream: Parakeet Ultra
- AssemblyAI: Universal-3.6 Pro 対 NVIDIA: Nemotron 3.5 Transcribe
- Mistral: Voxtral Mini Transcribe 3 対 Mistral: Voxtral Small Transcribe 3
- Mistral: Voxtral Mini Transcribe 3 対 Moondream: Parakeet Ultra
- Mistral: Voxtral Mini Transcribe 3 対 NVIDIA: Nemotron 3.5 Transcribe
- Mistral: Voxtral Small Transcribe 3 対 Moondream: Parakeet Ultra