{{1}}SOV-Transcribe-1{{/1}} مقابل Nemotron 3.5 Transcribe: يفصل بينهما خمسة عشر يومًا، وواحد منهما فقط منتج

انتقلت الريادة في التعرّف على الكلام مفتوح الأوزان مرتين خلال أسبوعين. نشرت NVIDIA نموذج Nemotron 3.5 Transcribe في 28 أكتوبر 2026؛ ونشرت Salesforce نموذج SOV-Transcribe-1 في 12 نوفمبر. وفي التقييم المركّب لدى Artificial Analysis، يفوز النموذج الأحدث: SOV-Transcribe-1 بنسبة 2.28% في مقياس AA-WER مقابل 2.81% لـ Nemotron 3.5 Transcribe. هذه هي الحجة التسويقية بأكملها، وهي أضعف مما تبدو. فقد أتاحت NVIDIA فصل المتحدثين، وطوابع زمنية للكلمات، وأربعين لغة، وتسجيلات بطول ساعة، وثلاث صيغ تكميم، وتقريرًا فنيًا منشورًا، ومنظومة نشر مع دليل عملي. أما Salesforce فقد أتاحت أفضل رقم على لوحة الصدارة وبطاقة نموذج تقول إن التقرير الفني قادم. إذا كنت تختار نموذجًا لوضعه في منتج لا لوضعه على لوحة صدارة، فإن فجوة الدقة ليست المحور الذي يهم.

معماريتان، ورَهانان مختلفان تمامًا

Nemotron 3.5 Transcribe هو نموذج لغوي هجين بين Mamba-2 وTransformer قائم على خليط الخبراء — Nemotron 3.5 Lightning 30B A3B — مزوّد بمشفّر خبير متوازٍ: مشفّر ASR من نوع Transformer بنحو 600 مليون معامل، ومشفّر متحدث منفصل بـ99 مليون معامل، إضافةً إلى رأس CTC لمحاذاة الطوابع الزمنية. إجمالي المعاملات أربعة وثلاثون مليارًا، منها 4.3 مليار معامل نشط، بما في ذلك مشفّر الصوت.

أما SOV-Transcribe-1 فيسلك الاتجاه المعاكس. فهو يأخذ مُرمِّز Whisper large-v3 جاهزًا، ويُركِّب عليه مُسقِطًا، ثم يسلّم الناتج إلى مُفكِّك ترميز Gemma 4 26B A4B — بإجمالي 26.6 مليار معامل، و4.6 مليار معامل نشطة. فبينما بنت NVIDIA واجهة أمامية للكلام وألحقت بها نموذجها اللغوي الخاص، ألحقت Salesforce نموذجًا لغويًا عام الأغراض بواجهة أمامية للكلام يمتلكها الجميع بالفعل. ولهذا السبب تبلغ نقطة تفتيش SOV حجم 53 غيغابايت بصيغة BF16، بينما يحتاج إصدار Nemotron BF16 إلى وحدة H100 بسعة 80 غيغابايت: إذ يحمل نموذج Salesforce وزنًا إجماليًا أقل، ويحمله بصيغة لم يُنشر لها بعد أي بديل مُكمَّم.

• إجمالي المعاملات — SOV-Transcribe-1 بواقع 26.6 مليار مقابل Nemotron 3.5 Transcribe بواقع 34 مليار، مع احتساب مُشفّر الصوت في كليهما.

• المعاملات النشطة — 4.6B مقابل 4.3B. تعادل فعليًا، وهذا هو الجزء المثير للاهتمام: تحصل Salesforce على معدل خطأ أقل من مجموعة نشطة أكبر بفارق طفيف وإجمالي أصغر بكثير.

• حد الصوت — 30 دقيقة مقابل ساعة واحدة، مع سياق يبلغ 65,536 رمزًا على جانب NVIDIA.

• اللغات — 7 أوروبية مقابل 40، مع دعم التبديل اللغوي عبر مصفوفة Nemotron.

• الدقة — BF16 فقط (موجّه FP32) مقابل نقاط حفظ BF16 وFP8 وNVFP4، وآخرها يعمل على RTX 5090.

• الترخيص — Apache 2.0 مقابل OpenMDW-1.1. يُعد Apache أكثر التساهلاً بين الاثنين بفارق كبير، وبالنسبة لبعض الفرق القانونية فإن ذلك وحده يحسم الأمر.

أحد الاختبارات المرجعية التي أجراها كلا البائعَين، بأرقام لا تتفق.

هذه أكثر المقارنات فائدةً في المقال، لأنها الموضع الوحيد الذي يمكن فيه وضع بطاقتي النموذج جنبًا إلى جنب على الاختبار نفسه. يقيس VoiceCodeBench نسخ القيم المهيكلة — عناوين البريد الإلكتروني ومسارات الملفات والمعرّفات وأرقام الحسابات — ويُبلِغ عن مقياسين: مطابقة الرموز القياسية والكيانات، وهي مقدار المحتوى الهدف الذي جرى استرداده، ومعدل نجاح المهمة، وهو نسبة التسجيلات التي ظهرت فيها كل قيمة هدف بشكل صحيح.

تنشر بطاقة NVIDIA كلا الرقمين: 88.53% لـ CTEM و59.33% لـ TSR، إضافة إلى معدل خطأ في الكلمات قدره 8.38% على المجموعة. وتنشر بطاقة Salesforce رقمين للمقياس نفسه: 76.3% لاجتياز كل كيان مستهدف و93.4% للكيانات المستعادة، ووُصفا بأنهما الأول بين الأنظمة المفتوحة الأوزان والثاني من أصل 23 إجمالًا. وهذان الرقمان يقابلان TSR وCTEM على الترتيب، لكن هذا التقابل لا يصح. وتزعم Salesforce نسبة 76.3% للاجتياز الكامل حيث تبلغ NVIDIA عن 59.33% على المقياس نفسه، وتزعم استرجاع 93.4% من الكيانات حيث تبلغ NVIDIA عن 88.53%.

ثمة تفسيرات بريئة. فـ VoiceCodeBench لوحة صدارة خاصة يديرها طرف ثالث، والدرجات تُصدَر بنسخ متعاقبة بمرور الوقت، وربما قدّم البائعان لقطتين مختلفتين. وثمة أيضاً تفسير غير بريء: أحد الرقمين يُوصف بثقة تفوق ما يدعمه تقرير المعيار نفسه. وما يمكن للقارئ أن يستنتجه ضيّق ويستحق أن يُقال بوضوح — على المعيار الوحيد للقيم المهيكلة الذي قيس عليه كلا النموذجين، يبدو أن نموذج Salesforce أفضل بدرجة معتبرة في الحصول على كل قيمة بشكل صحيح، وحجم هذه الميزة محلّ نزاع يتراوح بين خمس وسبع عشرة نقطة بحسب بطاقة أي طرف تقرأ.

ما الذي أطلقته NVIDIA ولم تُطلقه Salesforce

الفجوة هنا ليست تدريجية. فهذه قدرات، لا درجات، وكل واحدة منها تُزيل جزءًا من العمل اللاحق الذي كنت ستضطر إلى بنائه لولاها.

• نسخ منسوب إلى المتحدث — تقييم كامل متعدد المتحدثين عبر AMI وCALLHOME وMixer 6 وNOTSOFAR-1، بمتوسط cpWER قدره 15.80 ونتائج حسب كل حالة تصل إلى حالات فردية لميكروفون بعيد. لا يوثّق SOV-Transcribe-1 أي فصل للمتحدثين على الإطلاق.

• الطوابع الزمنية للكلمات — رأس محاذاة CTC يُرجع نص الكلمات مع أوقات البدء والانتهاء، وخريطة مقاطع فصل المتحدثين، وحقل خطأ المحاذاة. وتُرجِع بطاقة Salesforce سلسلة تفريغ نصي.

• ترجمة الكلام، وتحديد اللغة، والإجابة عن الأسئلة الصوتية — مهام منفصلة لها معاييرها التقييمية الخاصة، بما في ذلك تحديد اللغة بنسبة 100% على FLEURS في عدة لغات. ويقوم SOV-Transcribe-1 بالنسخ بسبع لغات، ثم يتوقف عند هذا الحد.

• تقرير تقني — يُنشر بصيغة PDF، مع تفصيل تكوين بيانات التدريب وصولًا إلى تحديد أي المدونات اللغوية رُخِّصت من أي جهة. وتعرض Salesforce رابط تقريرها بعبارة «قريبًا».

• سلّم تكميم ودليل عملي لتقديم النماذج — NVFP4 على Blackwell الاستهلاكية، ومسار SGLang-Omni، وGGML على Windows الأصلية. تكامل Salesforce هو إضافة vLLM مثبّتة على الإصدار 0.32.0 مع وصف دعم المنبع بأنه قيد العمل.

التحفّظ الصادق على تلك القائمة هو أن الاتساع والعمق يتزاحمان: فالنموذج المدرَّب على 40 لغة وسبع عائلات من المهام يوزّع طاقته؛ أما النموذج المدرَّب على سبع لغات أوروبية وعلى النسخ وحده، فيمكنه أن ينفقها كلها هناك. وفجوة النتيجة المركّبة البالغة 0.53 نقطة هي بالضبط شكل تلك المقايضة عندما تؤتي أكلها.

أرقام الحصص، اقرأها بعناية.

كلا الموردين يقيسان الأداء على البطاقة نفسها، مما يجعل هذه المقارنة نظيفة على نحو غير معتاد — وسهلة الوقوع في الخطأ على نحو غير معتاد.

• Salesforce، SOV-Transcribe-1 — ما يصل إلى 1,039 ثانية من الصوت في الثانية الواحدة على وحدة RTX PRO 6000 Blackwell Server Edition واحدة، مع تفعيل نموذج المسودة DFlash، على إصدار تطويري من vLLM، عند max_num_seqs=64.

• NVIDIA، Nemotron 3.5 Transcribe — حتى 2,238 ثانية من الصوت في الثانية على البطاقة نفسها في NVFP4 باستخدام فك الترميز التخميني DFlash2، مع إرجاع النص المكتوب لمقطع مدته 30 ثانية خلال 0.13 ثانية.

رقم NVIDIA أكثر من الضعف، وتوضح NVIDIA السبب في بطاقتها الخاصة: تلك التحسينات موجودة في Nemotron Transcribe NIM وليست في الإصدار مفتوح المصدر، الذي تصفه البطاقة بأنه أبطأ بنحو مرتين تقريبًا ومخصص لتطوير النموذج. لذا فإن المقارنة المتماثلة — vLLM المفتوح مقابل vLLM المفتوح، على بطاقة واحدة — تبلغ نحو 1,119 مقابل 1,039 ثانية صوتية في الثانية. ولا تزال NVIDIA متقدمة بنحو ثمانية بالمئة، وهي متقدمة مع كونها أيضًا النموذج الذي يوفّر تسميات المتحدثين والطوابع الزمنية في تدفق الإخراج.

ما يعنيه ذلك للمشتري هو أن أيًا من الطرازين لا يُشترى من أجل الإنتاجية. فكلاهما يشبع بطاقة حديثة، وكلاهما يحتاج بطاقة مخصصة. القرار هو أي مُخرَج تحتاج وأي تنزيل يمكنك تشغيله، وفي السؤال الثاني يفوز Nemotron بشكل قاطع، لأن نقطة تحقق NVFP4 تعمل على عتاد يكلف جزءًا يسيرًا من بطاقة خادم بسعة 96 GB، بينما لا يتوفر إصدار مُكمَّم من طراز Salesforce لتشغيله.

حيث تكون SOV-Transcribe-1 هي الخيار الأفضل حقًا

ثلاث حالات، والأولى هي الواضحة. إذا كانت اللغة هي الإنجليزية وكانت دقة الكيانات هي الناتج المطلوب، فإن 2.28% مقابل 2.81% على المقياس المركب فرق حقيقي، وأضعف جانب في نموذج Salesforce — 4.06% على Earnings22-Cleaned — لا يزال أفضل مما يوحي به المقياس المركب بشأن المنافسة. في Contextual Earnings-22، يُبلغ SOV-Transcribe-1 عن ارتفاع F1 للكلمات المفتاحية من 71.9 إلى 96.8 باستخدام تلميحات المقطع نفسه، ويحافظ على 94.0 عند تزويده بقائمة الكلمات المفتاحية للساعة كاملة كعناصر تشتيت. وتقدم NVIDIA أرقام Contextual Earnings22 الخاصة بها بمعدل خطأ الكلمات بدلاً من F1، من 12.54% دون سياق إلى 9.58% محليًا، لذا لا يمكن مقارنة الرقمين مباشرة — لكن شكل النتيجة، أي أن قوائم التلميحات تساعد وأن قوائم التلميحات المليئة بعناصر التشتيت لا تزال تساعد، هو نفسه في كلتا الحالتين.

الحالة الثانية هي الترخيص. إن مقارنة Apache 2.0 بـ OpenMDW-1.1 ليست مسألة شكلية بالنسبة لشركة لديها مراجعة قانونية لها آراء حول الأعمال المشتقة. إذا كنت تنوي الضبط الدقيق وإعادة التوزيع، أو تضمين النموذج في منتج تشحنه، فإن مسار Apache أقصر.

الثالث هو بساطة النطاق. النموذج الذي يفعل شيئًا واحدًا يُعيد شيئًا واحدًا، وخطّ معالجة يتوقع سلسلة نصية لنسخة المحادثة أسهل في الاستدلال عليه من خطّ يستقبل كائنًا مُهيكلًا يحوي وسوم المتحدثين وطوابع زمنية وحقل خطأ محاذاة قد لا يحتاجه. الفرق التي تريد امتلاك عملية تمييز المتحدثين لديها — لأنها تشغّل بالفعل نموذج تضمين للمتحدثين تثق به — تحصل على مدخل أنظف من النموذج الأضيق نطاقًا.

الاختيار بينهما دون لوحة متصدرين

إذا كان الصوت تسجيلًا لاجتماع، أو مكالمة فيها أكثر من صوت واحد، أو أي شيء يكون فيه «من قال ذلك» جزءًا من المخرجات المطلوبة، فالإجابة هي Nemotron 3.5 Transcribe وتصبح مسألة الدقة غير ذات أهمية — إذ لا يستطيع SOV-Transcribe-1 إنتاج هذا الحقل. وإذا كان الصوت غير إنجليزي، ينطبق الأمر نفسه، وبشكل أكثر حدة. وإذا تجاوزت التسجيلات ثلاثين دقيقة أو احتاجت إلى العمل على عتاد أصغر من بطاقة مركز بيانات، فالإجابة NVIDIA مجددًا.

إذا كان الصوت بالإنجليزية، وأحاديّ المتحدث أو مفصولًا مسبقًا إلى متحدثين في المنبع، وكانت مدته أقل من نصف ساعة، وكان الناتج المطلوب نصًا يتضمن أسماء العلم الصحيحة، فإن SOV-Transcribe-1 هو أداة النسخ الأكثر دقة المتاحة اليوم، كما أن رخصة Apache تُلغي الحاجة إلى تفاوض. وهذه مجموعة أعباء عمل أضيق مما أوحت به تغطية الإطلاق، لكنها مجموعة حقيقية.

تُعدّ المسارات المختلطة النتيجة المعتادة هنا أيضًا، وهي تطرح سؤالًا عمليًا لا تتناوله أي من بطاقتي النموذج: ما الذي يقرأ النص المنسوخ بعد ذلك. تضع OrcaRouter أكثر من 200 من نماذج النصوص والصور والفيديو خلف مفتاح واحد بأسعار قائمة المزوّد مع هامش ربح 0%، بحيث يمكن للملخّص أو المستخرج في المصب أن يكون قابلًا للاستبدال أو لنقل المهمة إليه عند الفشل دون عقد ثانٍ — وهو أمر مفيد عندما لا يزال مصدر النص المنسوخ قيد التحديد. لا يُقدَّم أي من هذين النموذجين الصوتيين من خلاله، ولا ندّعي خلاف ذلك؛ يبدأ التوجيه حيث يبدأ النص.

ما تغيّر خلال الأسبوعين الفاصلين بين هذين الإصدارين ليس أي نموذج يتصدّر جدول النماذج مفتوحة الأوزان، بل إن الجدول لم يعد يقدّم إجابة واضحة، وصارت الإجابة الآن تعتمد على ما إذا كنت تشتري أداة نسخ أم خط معالجة للمخرجات النصية. إن NVIDIA تبيع الثاني، بينما نشرت Salesforce الأول وأتقنته للغاية.