SOV-Transcribe-1 مقابل Gemini 3.5 Transcribe: ثلاثة أعشار نقطة، وكل شيء آخر
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 226 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 101 tok/s
- orcaجديدOrca: OrcaC2 1.02026-11-0719 tok/s
- OrcaجديدOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 82 tok/s
- OrcaجديدOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 182 tok/s
- OrcaجديدOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 لكل مليون رمز · 46 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 139 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 63 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 181 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 138 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 لكل مليون رمز · 111 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955الذكاء
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855الذكاء
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 لكل مليون رمز · 321 tok/s
على لوحة الكلام لدى Artificial Analysis، يفصل بين النموذجين 0.32 نقطة مئوية فقط — SOV-Transcribe-1 عند 2.28% في AA-WER، وGemini 3.5 Transcribe عند 2.60% — وهذه أصغر فجوة في هذه المقارنة بأكملها. كل ما عدا ذلك أوسع. يغطي Gemini 3.5 Transcribe أكثر من 85 لغة مقابل سبع، ويحدد ما يصل إلى ثمانية متحدثين حيث لا يحدد نموذج Salesforce أي متحدث، ويصدر طوابع زمنية على مستوى الكلمة، ولديه نقطة نهاية مباشرة منفصلة للبث. أما SOV-Transcribe-1 فهو أوزان مفتوحة بموجب Apache 2.0، ويعمل على وحدة معالجة رسومات تملكها، ويقبل قائمة كلمات مفتاحية تصحح بشكل قابل للقياس الأسماء ورموز الأسهم. الاختيار بينهما ليس مسألة دقة. إنه مسألة ما إذا كنت تشتري نصًا مفرغًا أم تشتري خط معالجة متكاملًا.
ما هو كل واحد
SOV-Transcribe-1 هو أول نموذج لغوي معزز بالكلام مفتوح الأوزان من Salesforce، نُشر في 12 نوفمبر 2026 باسم salesforce-sovereign-intelligence/SOV-Transcribe-1: مشفر Whisper large-v3 يغذي مفكك خليط الخبراء Gemma 4 26B A4B، بإجمالي 26.6 مليار معامل و4.6 مليار معامل نشط، ضمن نقطة تحقق BF16 بسعة 53 غيغابايت. وهو غير متدفق، ويتعامل مع ما يصل إلى 30 دقيقة من صوت 16 كيلوهرتز لكل طلب، ويُتحكم فيه عبر تعليمات في رسالة المستخدم بدلاً من المعاملات.
Gemini 3.5 Transcribe هو نموذج تحويل الكلام إلى نص المستضاف من Google، وآخر تحديث له في أغسطس 2026، ويمكن الوصول إليه عبر Gemini API بالمعرّف gemini-3.5-transcribe، وله نظير متخصص في البثّ عبر WebSocket يُسمى gemini-3.5-transcribe-live. يستقبل الصوت بمدة تصل إلى ساعة لكل طلب — وثلاثين دقيقة عند تفعيل تمييز المتحدثين أو الطوابع الزمنية — ويعيد النص مع تعليقات توضيحية على مستوى الكلمات. لا توجد أوزان لتنزيلها ولا خادم لتقدير حجمه.
تفكيك فجوة الدقة
AA-WER v2 هو مركّب مرجّح: AA-AgentTalk بنسبة 50%، وVoxPopuli-Cleaned بنسبة 25%، وEarnings22-Cleaned بنسبة 25%. إن تقسيم النموذجين عبر تلك المكونات أكثر إفادة من العنوان الرئيسي، لأن تفوق نموذج Salesforce ليس موزعًا بالتساوي.
• AA-AgentTalk — SOV-Transcribe-1 عند 1.79%. هذه هي مجموعة المحادثات التركيبية ذات الوزن النصفي، وهي النقطة التي يكون فيها نموذج Salesforce أقوى نسبيًا مقارنة بأي شيء آخر في القائمة.
• VoxPopuli-Cleaned — SOV-Transcribe-1 عند 1.50%. اقرأ الخطاب البرلماني، واللغات الأوروبية في مزيج تدريبه هي بالضبط تلك التي تستمد منها هذه المجموعة.
• Earnings22-Cleaned — SOV-Transcribe-1 بنسبة 4.06%. مكالمات أرباح حقيقية: الأسماء ورموز التداول والأرقام والتداخل في الكلام. هذا أسوأ مجال لدى النموذج، وهو الأقرب إلى صوت المؤسسات.
لا تنشر Google تفصيلًا للمكوّنات الخاص بـ Gemini 3.5 Transcribe على مجموعات البيانات الثلاث نفسها، لذا فإن البيان الأمين هو أن النتيجة المركّبة ترجّح كفة Salesforce بمقدار 0.32 نقطة، والصورة الخاصة بكل مجموعة بيانات بالنسبة إلى Google غير متاحة للاطلاع العام. وأي شخص يزعم فوزًا واضحًا في، على سبيل المثال، الصوت الخاص بمراكز الاتصال إنما يستنبط ذلك من نتيجة مركّبة موزونة بنسبة النصف نحو المحادثات الاصطناعية.
حيث يكون النموذج المستضاف ببساطة متقدمًا
أربع قدرات في جانب Google ليس لها نظير في إصدار Salesforce، وكل واحدة منها تحدد فئة من فئات المنتجات.
• اللغات — أكثر من 85 لغة مع الاكتشاف التلقائي والتبديل بين اللغات أثناء الجلسة، مقابل سبع لغات أوروبية. إذا كان الصوت لديك يتضمن الماندرين أو الهندية أو العربية أو اليابانية، فإن SOV-Transcribe-1 ليس مرشحًا ومقارنة الدقة غير ذات جدوى.
• هيكل المتحدثين — فصل المتحدثين (diarization) لما يصل إلى ثمانية متحدثين، مع اعتبار الإسناد لما يزيد على ثلاثة متحدثين تجريبيًا. لا يوثّق SOV-Transcribe-1 أي فصل للمتحدثين على الإطلاق؛ إذ يعود نص مكالمة بين شخصين ككتلة نصية واحدة غير متمايزة.
• الطوابع الزمنية — إخراج على مستوى الكلمة في نقطة النهاية الدفعية. يُصدر نموذج Salesforce سلسلة نصية للتفريغ، لذا يتعيّن بناء إنشاء الترجمة المرئية أو البحث الامتثالي حسب الطابع الزمني في مرحلة لاحقة.
• البث المباشر — نقطة نهاية حية مخصّصة بجلسات مدتها عشر دقائق ونقل WebSocket ثنائي الاتجاه. إن SOV-Transcribe-1 غير متدفّق بشكل صريح؛ لا يوجد وضع نص جزئي لتمكينه.
هناك اختلاف خامس لا يمثل ميزة بل قيدًا. تشير وثائق Google الخاصة إلى أن الطوابع الزمنية على مستوى الكلمة تُضعف دقة النسخ النصي ولا تتوافق مع المفردات المخصصة، وأن فصل المتحدثين لا يتوافق أيضًا مع ترجيح المفردات. يجعلك النموذج المستضاف تختار القدرة التي تريدها لكل طلب. أما نموذج Salesforce فيجعلك تختار مرة واحدة، على مستوى "لا فصل للمتحدثين، أبدًا".
حيث يتقدّم النموذج المفتوح، بما يتجاوز النتيجة
الإجابة البديهية هي إقامة البيانات، وهي الإجابة الصحيحة لنسبة كبيرة من المشترين: فأوزان Apache 2.0 على عتاد تتحكمون فيه تعني أن الصوت لا يغادر المبنى مطلقًا. وبالنسبة لتسجيلات مراكز الاتصال في الخدمات المالية أو الرعاية الصحية، فغالبًا ما يكون ذلك متطلبًا صارمًا لا مجرد تفضيل، ولا تستوفي هذا الشرط أي واجهة برمجة تطبيقات مستضافة بصرف النظر عن WER.
الإجابة الأقل وضوحًا هي التحييز. على Contextual Earnings-22، يرفع SOV-Transcribe-1 درجة F1 للكلمات المفتاحية من 71.9 دون أي تلميحات إلى 96.8 عند تزويده بالكلمات المفتاحية الخاصة بالمقطع نفسه، ويحافظ على 94.0 عندما تُعطى له قائمة الكلمات المفتاحية للساعة كاملة مع معظم الإدخالات كعناصر تشتيت. ويقدّم Gemini أيضًا تحييز المفردات المخصصة، حتى 1,000 مصطلح مع أفضل النتائج المبلّغ عنها عند نحو 100 — لكن لا يمكن دمجه مع تمييز المتحدثين أو الطوابع الزمنية التي قد ترغب فيها أيضًا. إذا كانت دقة الكيانات هي المطلوب، فيمكن لكلا النموذجين تحقيقها؛ لكن واحدًا فقط منهما يمكنه تحقيقها مع إصدار تسميات المتحدثين أيضًا.
التحكم في الأسلوب هو الثالث. دُرِّب SOV-Transcribe-1 على تلقّي التعليمات — حرفيًا مقابل منقّح، وأرقامًا مقابل كلمات، وحشوًا يُحتفَظ به أو يُحذَف — وتُبلغ Salesforce عن معدل خطأ كلمات (WER) مراعٍ للتفضيلات قدره 5.05% عند تقديم التعليمة. ومكافئه لدى Google هو "Smart transcription"، الذي يغطي إزالة الحشو والتنسيق المراعي للنية، لكنه وضع وليس واجهة تعليمات.
مقارنة التكلفة التي تهم فعلاً
تنشر Google نموذج Gemini 3.5 Transcribe بسعر 2.00 دولار لكل مليون رمز إدخال صوتي و12.00 دولارًا لكل مليون رمز إخراج، وهو ما تحوّله صفحة الأسعار إلى نحو 0.003 دولار للدقيقة إدخالًا و0.002 دولار للدقيقة إخراجًا، أو حوالي 0.005 دولار للدقيقة إجمالًا. وتعرض لوحة Artificial Analysis النموذج نفسه بسعر 5.00 دولارات لكل 1000 دقيقة. وفي الحالتين، تبلغ تكلفة ألف دقيقة من الصوت حوالي خمسة دولارات.
لا يوجد سعر بالدقيقة لـ SOV-Transcribe-1 لأن Salesforce لا تبيع أي نقطة نهاية. الرقم القابل للمقارنة هو معدل النقل (الإنتاجية): فمع الدعم الأصلي لـ vLLM ونموذج المسودة DFlash، تفرّغ بطاقة واحدة RTX PRO 6000 Blackwell Server Edition ما يصل إلى 1,039 ثانية من الصوت في الثانية الواحدة. وبهذا المعدل، تُنجز بطاقة واحدة ألف دقيقة في نحو دقيقة من الزمن الفعلي، لذا تتحقق نقطة التعادل مقابل واجهة برمجة تطبيقات بسعر 5 دولارات لكل 1,000 دقيقة عند أي حجم جدي — ولا تتحقق إطلاقًا إذا كنت تفرّغ ثلاث ساعات أسبوعيًا وتضطر إلى استئجار البطاقة بالساعة لفعل ذلك.
ثمة تحفظان يجب أن يرافقا تلك الحسابات. رقم 1,039 هو قياس من بناء تطويري لـ vLLM من نوفمبر 2026 مع max_num_seqs=64، وهو أيضًا الإعداد المطلوب لإبقاء تنميط بدء التشغيل ضمن 96 GB بعد تحميل النموذج المسودة. والتكامل عبارة عن إضافة مثبتة على vLLM 0.32.0، مع وصف دعم upstream الأصلي بأنه قيد العمل. أنت لا تشتري وحدة GPU فحسب؛ بل تتولى صيانة مكدس تقديم الخدمة.
قواعد القرار
الجأ إلى Gemini 3.5 Transcribe عندما ينطبق أي مما يلي: ألا يكون الصوت بإحدى سبع لغات أوروبية، أو أن تحتاج إلى تسميات المتحدثين أو الطوابع الزمنية كمخرجات أساسية، أو أن تحتاج إلى نصوص جزئية بينما لا يزال الصوت يتدفق، أو أن يكون حجم استخدامك منخفضًا بما يكفي بحيث لا تغطي GPU تكلفتها أبدًا. إن عجز الدقة البالغ 0.32 نقطة تكلفة حقيقية، لكنها تكلفة مقيسة على مركّب نصف وزنه موجّه نحو المحادثة الاصطناعية، وهي في المقابل تمنحك أربع قدرات كان عليك بناؤها لولا ذلك.
اختر SOV-Transcribe-1 عندما يكون الصوت غالبًا بالإنجليزية وغنيًا بالكيانات، وعندما تكون المفردات معروفة مسبقًا، وعندما تقل مدة التسجيلات عن ثلاثين دقيقة، وعندما يكون «يبقى الصوت على عتادنا» بندًا في عقد لا مجرد تفضيل. النسخ الدفعي الليلي لمكالمات البيع المسجلة هو عبء العمل الذي صُمم هذا النموذج بوضوح من أجله.
الأنظمة المختلطة هي النتيجة الشائعة، والجزء المُحرج ليس هو النسخ أبدًا. بل إن النسخ يغذّي نموذجًا ثانيًا — ملخِّصًا أو مصنِّفًا أو وكيل أسئلة وأجوبة — وتغيير ذلك المستهلك يعني مورّدًا جديدًا ومفتاحًا جديدًا وفاتورة جديدة. يزيل OrcaRouter تلك الخطوة: أكثر من 200 نموذج نصي وصوري ومرئي خلف مفتاح واحد بأسعار قائمة المزوّدين وبهامش ربح 0%، بحيث يمكن تبديل النموذج الذي يلي النص المنسوخ أو التحويل إلى بديل عند الفشل دون المساس بخط أنابيب النسخ على الإطلاق. وهو لا يستضيف أيًّا من نموذجَي الكلام، ولا يحتاج إلى ذلك. تبقى طبقة النسخ في مكانها؛ ويبدأ التوجيه من النص الذي تنتجه.
الشيء الوحيد الذي يجب ألا تفعله هو التعامل مع فجوة 0.32 نقطة على أنها القرار. فهي أصغر رقم في المقارنة، وهي بالنسبة لمعظم الفرق الأقل تأثيرًا.
مقارنات في هذه المقالة1
مستخرج من هذه المقالة · المعايير: Artificial Analysis · يُحدَّث يوميًا
