SOV-Transcribe-1 مقابل GPT Transcribe: أحدهما ينشر معايير الأداء، والآخر ينشر سعرًا

لم تنشر OpenAI قط معدل خطأ الكلمات الخاص بـ GPT Transcribe. يظهر النموذج في وثائق API كنسخة محددة بسعر وقائمة من نقاط النهاية، وهذا هو كل السجل العام — لا جدول دقة، ولا قائمة لغات، ولا مقارنة بسابقه. ما يعني أن الرقم الوحيد القابل للدفاع عنه في هذه المقارنة يأتي من منصة تقييم تابعة لجهة أخرى: تقيس Artificial Analysis نموذج GPT Transcribe عند 3.31% بمعيار AA-WER، مقابل 2.28% لـ SOV-Transcribe-1، نموذج Salesforce المفتوح الأوزان الذي صدر في 12 نوفمبر 2026. تفصل بينهما نقطة كاملة في خطأ الكلمات، وهي أقل الحقائق فائدة في المقال. الحقائق المفيدة هي أن GPT Transcribe يبث في الوقت الفعلي عبر جلسة WebSocket بينما لا يستطيع SOV-Transcribe-1 البث إطلاقًا، وأن أحدهما يكلف $0.0045 في الدقيقة والآخر يكلف GPU، وأن أيًا من البائعين لن يخبرك بكيفية أداء أي من النموذجين على صوتك.

ما توثّقه OpenAI فعليًا

تُسمى اللقطة gpt-transcribe. وهي تتعامل مع ملفات الصوت المكتملة، ونصوص الملفات المتدفقة، والأدوار المثبّتة في جلسات Realtime عبر WebSocket — لذا فإن البث قدرة موثقة لها وسيلة نقل خاصة بها، وليس علامة ضمن استدعاء الدفعة. وتشير صفحة الكتالوج أيضًا إلى دعم السياق غير المهيكل، وتلميحات الكلمات المفتاحية، وتلميحات لغات متعددة، وهو النمط نفسه من التوجيه الذي تقدمه SOV-Transcribe-1 عبر التعليمات. السعر الموثق هو $0.0045 لكل دقيقة صوت، أي ما يعادل $0.27 لكل ساعة صوت، والصيغة العملية لهذا الرقم هي أن نسخ ألف ساعة من المكالمات المسجلة يكلف $270.

ما هو غائب لا يقلّ دلالة. تُقيّم صفحة الطراز الأداء فقط بوصفه تصنيفًا نوعيًا «الأعلى» والسرعة بـ«متوسط» — لا WER، ولا دقة لكل لغة، ولا حد أقصى لطول الصوت مذكور كحد صارم، ولا جدول تقييم يقارنه بـ Whisper. طراز OpenAI الصوتي الأقدم، Whisper Large v3 Turbo، لديه بطاقة طراز تتضمن أقسامًا للقيود وورقة بحثية خلفه. أما GPT Transcribe فلديه سعر وقائمة نقاط نهاية وصفـتان. هذا ليس اتهامًا — فكثير من طرازات الإنتاج تُشحن دون تقييمات منشورة — لكنه يغيّر ما يمكن للمشتري التحقق منه قبل الالتزام، ولهذا تزداد أهمية أداة الاختبار المستقلة هنا عن مقارنة ينشر فيها كلا المورّدين.

الرقم الخارجي، ومقدار الوزن الذي يحمله

تُشغّل Artificial Analysis اختبار G​PT Transcribe عبر المركّب ثلاثي المجموعات نفسه الذي تستخدمه لكل شيء على تلك اللوحة: AA-AgentTalk بوزن 50%، وVoxPopuli-Cleaned بوزن 25%، وEarnings22-Cleaned بوزن 25%. وتسجّل G​PT Transcribe نسبة 3.31%. وتضع مجموعة الاختبار نفسها SOV-Transcribe-1 عند 2.28%.

اقرأ المكوّنات قبل أن تثق بالفجوة. نسبة 2.28% لدى SOV-Transcribe-1 هي متوسط 1.79% في مجموعة المحادثات الاصطناعية، و1.50% في الكلام البرلماني المقروء، و4.06% في مكالمات الأرباح الحقيقية — والفارق بين أفضل مجال اختبار وأسوأه لديها يقارب ثلاثة إلى واحد. إذا كان لدى GPT Transcribe تفاوت مشابه، ولا يوجد سبب منشور للاعتقاد بخلاف ذلك، فإن فجوة مركبة بمقدار نقطة واحدة قد تكون فجوة بمقدار نقطتين في مكالمات الأرباح وخطأ تقريب في الكلام المقروء. لا أحد خارج Artificial Analysis يعرف ذلك، وArtificial Analysis تنشر أرقامًا مركبة، لا تفاصيل منفصلة لكل مجموعة لكل نموذج.

الرقم المستقل الثاني هو السرعة. يقيس اللوح نفسه G​PT Transcribe بمعامل سرعة 43.1 — أي 43.1 ثانية من الصوت تتم معالجتها لكل ثانية من الزمن الفعلي. وللمقارنة، يضع القياس نفسه Whisper Large v3 Turbo عند 339.5 وG​emini 3.5 Transcribe عند 94.4. وG​PT Transcribe هو الأبطأ بين الأربعة بفارق كبير، وإذا كنت تفرّغ أرشيفًا لا مكالمة هاتفية، فهذا هو الرقم الذي يحدد عمق طابورك.

من أين تأتي أرقام النموذج المفتوح، وأين تتوقف

نسبة 2.28% الخاصة بـ SOV-Transcribe-1 مستقلة، لكن كل ما يتعلق به تقريبًا عدا ذلك مُبلَّغ عنه من Salesforce. وتزعم بطاقة الطراز معدل نجاح كامل قدره 76.3% على VoiceCodeBench، وهي لوحة صدارة خاصة، واستردادًا للكيانات بنسبة 93.4% على المجموعة نفسها؛ ومتوسط WER قدره 8.21% عبر أربعة عشر لهجة إنجليزية على AppTek Call-Center Dialogues؛ و25.69% على HALAS، وهي مجموعة مكالمات أرباح تركز على الهلوسة. ومن بين تلك، لا يمكن لطرف ثالث إعادة إنتاج سوى مؤشر Artificial Analysis المركّب اليوم. والتقرير التقني مرتبط بوصفة «قريبًا».

إذن، الصياغة الصادقة لمقارنة الدقة غير متناظرة على نحوٍ غير مريح: فالنموذج المفتوح لديه درجة مستقلة أفضل وكُمّ كبير من ادعاءات البائع غير المدققة، بينما النموذج المستضاف لديه درجة مستقلة أسوأ ولا ادعاءات بائع على الإطلاق. ولا موقف من الموقفين قوي. وإذا كان قرارك يتوقف على المتانة تجاه اللكنات أو دقة الكيانات، فأنت تختار بين شريحة عرض من البائع وصمت، والطريقة الوحيدة لحسم الأمر هي تشغيل كلا النموذجين على بضع مئات من مقاطع صوتك الخاصة.

البث هو الفارق الذي يحسم النقاش.

هذا ليس فرقًا دقيقًا. يفتح G​PT Transcribe جلسة نسخ فورية عبر WebSocket ويعيد نصًا جزئيًا فور وصول الصوت. أما SOV-Transcribe-1 فهو غير متدفق بشكل صريح: يستقبل تسجيلًا كاملًا، يصل إلى ثلاثين دقيقة من صوت أحادي القناة بتردد 16 kHz، ويعيد نصًا كاملًا. لا يوجد وضع إخراج جزئي لتمكينه ولا إعداد ينتج واحدًا.

بالنسبة لمنتج تعليق نصي مباشر، أو وكيل صوتي، أو طبقة مساعدة لوكيل مركز اتصال، أو أي شيء يجب أن يكون فيه النص المكتوب موجودًا قبل أن يتوقف المتحدث عن الكلام، تكون المقارنة قد حُسمت قبل أن تُناقش الدقة. إن SOV-Transcribe-1 ليس خيارًا أبطأ؛ بل ليس خيارًا على الإطلاق. وعلى العكس، إذا كان عبء العمل هو النسخ الدفعي الليلي لمكالمات مسجلة — وهو ما يمثل فعليًا معظم حجم الكلام في المؤسسات — فإن البث المباشر قدرة ستدفع ثمنها ولن تستخدمها أبدًا، وميزة الدقة البالغة 1.03 نقطة هي مال مجاني.

ثمة فرق بنيوي ثانٍ يكمن تحت ذلك. فـ GPT Transcribe نقطة نهاية مُدارة: اسم اللقطة ثابت، وتنسيق الاستجابة يعود إلى OpenAI في تغييره، والإصدار الذي تستدعيه بعد عام هو الاسم نفسه مع أي تحسينات شُحنت خلفه. أما SOV-Transcribe-1 فيعيد سلسلة نصية ولا شيء غيرها — بلا طوابع زمنية للكلمات، وبلا تسميات للمتحدثين — وهذا يمثل كلفة حقيقية، لكنه يعني أيضًا أن تنسيق الإخراج هو ما يصنعه كودك اللاحق منه، وأن الأوزان التي نزّلتها لا تتغير تحتك أبدًا ما لم تستبدلها.

مقارنة التكلفة، مع إظهار الحسابات

G​PT Transcribe يُسعّر لكل دقيقة من الصوت: 0.0045 دولار، أي 4.50 دولارات لكل ألف دقيقة، وهو بالضبط الرقم الذي تعرضه لوحة Artificial Analysis. لا توجد محاسبة رموز (tokens) لنمذجتها ولا توجد فئة خصم موثّقة.

لا يوجد رقم لكل دقيقة على جانب Salesforce لوضعه بجانبه، لأنه لا يوجد شيء يُشترى لكل دقيقة. تعرض البطاقة الإنتاجية بدلًا من ذلك: بفضل الدعم الأصلي لـ vLLM ونموذج المسودة DFlash، يمكن لجهاز RTX PRO 6000 Blackwell Server Edition واحد أن يفرّغ صوتيًا حتى 1,039 ثانية من الصوت في الثانية، ويعيد تفريغًا نصيًا لمقطع مدته ثلاثون ثانية في 0.22 ثانية. ألف دقيقة من الصوت تساوي 60,000 ثانية، لذا بهذا المعدل تُنجز في أقل من دقيقة من وقت GPU.

ضع الرقمين متجاورين، فهما يقولان شيئًا محددًا. بسعر 4.50 دولارات لكل ألف دقيقة، تكلّف GPT Transcribe مبلغ 4.50 دولارات لما ينجزه النموذج المفتوح في نحو 58 ثانية على بطاقة واحدة. تتراوح تكلفة استئجار RTX PRO 6000 بين دولارات قليلة أحادية الرقم في الساعة، لذا يكون المسار المفتوح أرخص عند أي حجم استخدام مستمر — لكن فقط إذا كانت البطاقة مشغولة. عند ثلاث ساعات من الصوت أسبوعيًا، تظل البطاقة خاملة 99% من الوقت وتكون واجهة API هي الإجابة الأرخص بعشر مرات، قبل أن يحتسب أحد تكلفة المهندس الذي يصون إضافة vLLM المثبّتة على الإصدار 0.32.0.

تحذيران بخصوص رقم معدل النقل، وكلاهما مأخوذ من بطاقة النموذج. فهو قياس من إصدار تطويري بتاريخ نوفمبر 2026، ويتطلب max_num_seqs=64 لإبقاء ملفات تعريف بدء التشغيل ضمن سعة البطاقة البالغة 96 GB بعد تحميل نموذج المسودة. أما القيمة الافتراضية البالغة 1,024 تسلسلًا متزامنًا فلن تتسع. أنت تحدد حجم خادم، لا تستدعي نقطة نهاية.

المسار الأوسط، وأين يندرج الموجّه

معظم الفرق التي تجد نفسها هنا لا تختار أحدهما. فهي تحتفظ بواجهة برمجة التطبيقات المستضافة لأي شيء تفاعلي، وتضيف النموذج المفتوح لمتأخرات الأرشيف، ما يعني مسارَي نسخ وتنسيقي إخراج ومركزَي تكلفة — ثم، عادةً، نموذجًا نصيًا واحدًا في المرحلة اللاحقة يتعين عليه التلخيص أو التصنيف أو الاسترجاع عبر كليهما.

تلك القفزة الأخيرة هي الجديرة بالتوجيه. تضع OrcaRouter أكثر من 200 نموذج للنصوص والصور والفيديو خلف مفتاح واحد بأسعار قائمة المزوّد وبهامش ربح 0%، بحيث يمكن استبدال الملخِّص أو المصنِّف الذي يقرأ أيًّا من النصين المنسوخين، أو مقارنته، أو التحويل إلى بديل عند فشله، دون عقد جديد — ويحلّ تخفيض سعر المزوّد على نموذج النص هذا في اليوم نفسه الذي يحلّ فيه على بطاقة المزوّد نفسه. لا تستضيف G​PT Transcribe أو SOV-Transcribe-1؛ فكلا نموذجي الكلام ليس مما نقدّمه، ويبدأ التوجيه من النص الذي ينتجانه. والفائدة من ذلك أن قرار النسخ يتوقف عن اقترانه بقرار التحليل.

من الذي يجب أن يختار ماذا

اختر GPT Transcribe عندما يجب أن يكون النص موجودًا بينما لا يزال الصوت قيد التشغيل، أو عندما لا تكون لديك سعة تشغيلية لوحدات GPU ولا رغبة في بنائها، أو عندما يكون الحجم متواضعًا بما يكفي بحيث يُعد $0.27 لكل ساعة صوتية خطأ تقريب مهملًا مقابل وقت الهندسة، أو عندما تحتاج ببساطة إلى مورّد لديه عقد دعم يسند نقطة النهاية. اقبل فجوة الدقة البالغة 1.03 نقطة ثمنًا لذلك، ولاحظ أنه عند 43.1x من الزمن الفعلي لا ينبغي أن تخطط لتعبئة أرشيف كبير بأثر رجعي عبره.

اختر SOV-Transcribe-1 عندما يكون الصوت ذا غلبة إنجليزية، ومدة كل ملف أقل من ثلاثين دقيقة، وتكون الحاجة إليه بعد وقوع الأمر لا أثنائه؛ وعندما لا تستطيع التسجيلات مغادرة بنيتك التحتية؛ وعندما تكون المفردات معروفة مسبقًا ويمكن تسليمها كقائمة تلميحات، حيث تُفيد تقارير Salesforce بارتفاع معدل F1 للكلمات المفتاحية من 71.9 إلى 96.8 على Contextual Earnings-22؛ وعندما تشغّل أصلًا وحدات GPUs لأمر آخر، فيكون التكلفة الحدية للبطاقة قريبة من الصفر.

ما ينبغي ألا تفعله هو التركيز على 3.31% مقابل 2.28%. فهذان الرقمان يأتيان من أداة تقييم واحدة، وعلى ترجيح مركّب واحد، دون نشر تفصيل لكل مجموعة لأي من النموذجين. وهما كافيان للقول إن النموذج المفتوح على الأرجح أكثر دقة في الكلام الإنجليزي الحواري والمقروء. لكنهما لا يكفيان للقول بمقدار الفارق على صوتك، كما أن القدرات التي يمتلكها GPT Transcribe ولا يمتلكها SOV-Transcribe-1 — البث المباشر، ونقطة نهاية مُدارة، وتلميحات الكلمات واللغة دون حزمة خدمة، وعقد مورّد يسند زمن التشغيل — لا يقيسها WER إطلاقًا.