SOV-Transcribe-1 مقابل Whisper Large v3 Turbo: ما قيمة عامين و2.3 نقطة من WER؟

ليس Whisper Large v3 Turbo منافسًا لـ SOV-Transcribe-1 بأي معنى تجاري. فهو اللاعب القائم — نقطة تحقق بعدد 809 ملايين معامل، برخصة MIT، نُشرت في أكتوبر 2024، وتقع بهدوء تحت حصة كبيرة من كل منتج تفريغ نُشر منذ ذلك الحين، ولا تزال تظهر على نقاط النهاية المستضافة بسعر 0.67 دولار لكل ألف دقيقة. أما SOV-Transcribe-1 فهو المنافس الجديد، الذي نشرته Salesforce في 12 نوفمبر 2026، ويسجل 2.28% مقابل 4.62% لـ Whisper Large v3 Turbo في المركّب لدى Artificial Analysis. لذا فالسؤال ليس أي النموذجين أفضل. بل هل يستحق خفض معدل الخطأ إلى النصف تنزيلًا بحجم 53 GB، ووحدة معالجة رسومات بسعة 96 GB، وحزمة خدمة، في حين يتسع البديل في ذاكرة حاسوب محمول ويكلف بضعة سنتات لكل ساعة صوت.

ما الذي اشتراه عامان من التقدّم في الواقع

‏Whisper Large v3 Turbo هو نسخة مُشذّبة من Whisper large-v3 مع تقليص وحدة فك الترميز من 32 طبقة إلى 4. وبطاقة النموذج الخاصة بـ OpenAI صريحة بشكل مفاجئ بشأن ذلك: «النموذج نفسه تمامًا، باستثناء أن عدد طبقات فك الترميز انخفض من 32 إلى 4. ونتيجة لذلك، أصبح النموذج أسرع بكثير، على حساب تدهور طفيف في الجودة». تصف تلك الجملة قرار ضغط، لا بنية معمارية.

SOV-Transcribe-1 هو نوع آخر من التغيير. أبقَت Salesforce على مُرمِّز Whisper large-v3 — أي نفس الواجهة الأمامية — واستبدلَت المُفكِّك رباعي الطبقات بنموذج لغة Gemma 4 26B A4B بخليط الخبراء خلف مُسقِّط. والإدراك السمعي موروث من Whisper. أمّا الجزء الذي يحوِّل الصوت إلى كلمات فهو نموذج لغة عام الغرض أكبر بثلاثين ضعفًا من نقطة تفتيش Whisper turbo كاملة.

• المعلمات — Whisper Large v3 Turbo 809M مقابل SOV-Transcribe-1 بإجمالي 26.6B، و4.6B نشطة.

• المُفكِّك — 4 طبقات Transformer مقابل خليط خبراء بحجم 26B مع 4.6B نشطة لكل رمز.

• حجم نقطة الحفظ — أقل من 2 غيغابايت مقابل نحو 53 غيغابايت في BF16.

• اللغات — نحو مئة مقابل سبع. هذا يسير في الاتجاه المعاكس، ويسير بقوة.

• الطوابع الزمنية — مخرجات على مستوى الجملة والكلمة مدمجة في حلقة فك الترميز مقابل عدم توثيق أي منها.

• الترخيص — MIT مقابل Apache 2.0. كلاهما من الترخيصات المتساهلة؛ وMIT أبسط بشكل طفيف.

• العتاد — وحدة معالجة مركزية أو وحدة معالجة رسومات صغيرة مقابل بطاقة من فئة RTX PRO 6000 بسعة 96 غيغابايت للإعداد المُفعَّل بخاصية المسودة.

هذا السطر الأخير هو الحجة كلها في صورة مصغّرة. أحد النموذجين يعمل في أي مكان؛ أما الآخر فيعمل على قطعة من الخادم تكلّف أكثر من إجمالي فاتورة السحابة السنوية لمعظم مشاريع النسخ.

حساب الأخطاء الذي لا يفعله أحد

يظل معدل خطأ الكلمات مفهومًا مجردًا حتى تحوّله إلى تصحيحات. خُذ مجموعة نصية من ألف دقيقة من الكلام الإنجليزي بمعدل محادثة يبلغ 150 كلمة في الدقيقة — أي 150,000 كلمة. عند 4.62%، ينتج Whisper Large v3 Turbo نحو 6,900 كلمة خاطئة أو مفقودة أو مُدخلة. وعند 2.28%، ينتج SOV-Transcribe-1 نحو 3,400. والفرق نحو 3,500 كلمة لا يضطر إنسان إلى العثور عليها وتصحيحها.

الآن احسب تكلفة التصحيح. يستطيع محرر دقيق مطابقة النص المكتوب مع الصوت بمعدل يتراوح ربما بين 200 و400 كلمة في الدقيقة، لذا فإن تقليل الأخطاء بمقدار 3,500 خطأ يعني توفير ما بين تسع وثماني عشرة دقيقة من المراجعة البشرية لكل ألف دقيقة من الصوت. وبمعدل تكلفة إجمالي قدره 30 دولارًا في الساعة، يبلغ ذلك من 4.50 إلى 9.00 دولارات — مقابل تكلفة نسخ، على جانب Whisper المستضاف، قدرها 0.67 دولار.

هذه المقارنة هي السبب في أن معظم الفرق لا تنتقل أبدًا. فالتكلفة البشرية للأخطاء تتجاوز التكلفة الآلية للنسخ بفارق رتبة مقدار، لذا فإن نموذجًا يقلل الأخطاء إلى النصف ينبغي أن يستحق عشرة أضعاف السعر، وهو عمليًا يتنافس مع سعر ضئيل بالفعل. الاستثناء هو أي مسار معالجة لا يراجع فيه أحد المخرجات على الإطلاق — الفهرسة الآلية، والبحث، والتحليلات، وتغذية التلخيص — لأن الأخطاء هناك لا تُصلَح، بل تنتقل إلى أي شيء يقرأ النص المنسوخ لاحقًا، والتكلفة من الدرجة الثانية هي التي تكون مؤثرة.

المؤشر الذي تستند إليه كلتا النتيجتين هو نفسه مزيج — نصفه محادثة وكيل اصطناعي، وربعه خطاب برلماني مقروء، وربعه مكالمات أرباح حقيقية — ويعمل النموذجان بشكل مختلف جدًا في كل ثلث. مكوّنات Whisper Large v3 Turbo هي 3.52% و3.97% و7.49% على التوالي؛ ومكوّنات SOV-Transcribe-1 هي 1.79% و1.50% و4.06%. تكون الفجوة أوسع في الخطاب البرلماني المقروء — 1.50% مقابل 3.97%، أي بفارق 2.6 مرة — وأضيق في مكالمات الأرباح، حيث يعاني كلا النموذجين وتكون الفجوة 4.06% مقابل 7.49%. إذا كان ملفك الصوتي كلامًا مقروءًا نظيفًا، فالترقية جذرية. وإذا كان صوتًا ماليًا فوضويًا متعدد المتحدثين، فكلا النموذجين سيئان، والأحدث منهما أقل سوءًا فحسب.

لماذا لا يزال Whisper يفوز بالفاتورة

ابدأ بمقارنة الخدمات المستضافة، لأنها المقارنة التي تواجهها معظم الفرق فعليًا. فـ Whisper Large v3 Turbo متاح بسعر 0.67 دولار لكل ألف دقيقة لدى مزوّد استضافة واحد على الأقل ضمن لوحة Artificial Analysis، عند معامل سرعة مُقاس يبلغ 339.5 — أي 339.5 ثانية من الصوت لكل ثانية من الزمن الفعلي. أما SOV-Transcribe-1 فلا يملك أي سعر استضافة لكل دقيقة على الإطلاق. فقد نشرت Salesforce أوزانًا، وليس نقطة نهاية، ولا يتضمن أي عنصر على اللوحة رقمًا لكل 1000 دقيقة خاصًا به.

إذن تتحوّل المقارنة إلى الدولارات مقابل ساعات GPU، وتقدّم بطاقة النموذج أرقامًا مكتملة على نحو غير معتاد لذلك. مع الدعم الأصلي لـ vLLM ونموذج المسودة DFlash، تستطيع بطاقة RTX PRO 6000 Blackwell Server Edition الواحدة نسخ ما يصل إلى 1,039 ثانية من الصوت في الثانية. شغّل تلك البطاقة بكامل طاقتها لمدة ساعة وستعالج 3.74 مليون ثانية من الصوت — 62,340 دقيقة. وبتكلفة دولارين أو نحو ذلك في الساعة للإيجار، فإن ذلك في حدود ثلاثة سنتات لكل ألف دقيقة من الصوت، أي أرخص بعشرين مرة من أرخص نقطة نهاية Whisper مستضافة في القائمة.

هذا الرقم حقيقي، وهو أيضًا الرقم الأكثر تضليلًا في هذا المقال، لأنه يفترض أن البطاقة لا تكون خاملة أبدًا. فتفريغ الكلام يأتي على شكل دفعات: يتراكم عمل متأخر خلال الليل، ثم يُنجز، ثم تظل وحدة معالجة الرسومات عند استخدام صفري لمدة عشرين ساعة. وبمعدل 1,039 ثانية صوتية لكل ثانية، تُنجز بطاقة واحدة ألف ساعة من الصوت في أقل من ساعة. ولا يكاد يوجد أحد لديه ألف ساعة من الصوت يوميًا. الخلاصة الصادقة هي أن الاستضافة الذاتية لأي من النموذجين قرار اقتصادي يتعلق بالإشغال، لا بالحجم — وأنه بمجرد أن تقرر تشغيل بطاقة أصلًا، تصبح التكلفة الحدية للنموذج الأفضل قريبة من الصفر.

ثلاثة أشياء يستطيع Whisper فعلها ولا يستطيع النموذج الجديد فعلها

تغطية اللغات تأتي في المقام الأول، وبفارق ليس ضئيلاً. تُدرج بطاقة نموذج Whisper Large v3 Turbo ما يقارب مئة لغة، من الإنجليزية والصينية الماندرين وصولاً إلى الويلزية والمالطية والهاوائية واللاو والسونداوية. أما SOV-Transcribe-1 فيغطي الإنجليزية والفرنسية والألمانية والإسبانية والإيطالية والبرتغالية والهولندية. ولأي فريق لا تكون مادته الصوتية أوروبية، فلا جولة ثانية لهذه المقارنة — فـ Whisper ليس الخيار الاقتصادي، بل هو الخيار الوحيد بين الاثنين.

الطوابع الزمنية هي المسألة الثانية. تتوقعها حلقة فك الترميز في Whisper أصلاً، ويكشف عنها خط أنابيب Transformers على مستوى الجملة أو الكلمة عبر وسيط واحد؛ وهكذا بُنيت الترجمة المرئية وعلامات الفصول والبحث الامتثالي على Whisper منذ عامين. توثّق بطاقة SOV-Transcribe-1 النسخ والتحكم في الأسلوب والتحيز السياقي، ولا شيء عن الطوابع الزمنية. أما استعادتها لاحقًا في المسار اللاحق فيعني تشغيل محاذٍ قسري على المخرجات، وهو نموذج آخر واعتماد آخر ومصدر خطأ آخر.

تأتي ترجمة الكلام ثالثةً. يستطيع Whisper أخذ الصوت بأي من لغاته المصدرية وإخراج نص إنجليزي مباشرةً، كمهمة فك ترميز بدلًا من أن تكون مرحلة ثانية في خط المعالجة. يقوم SOV-Transcribe-1 بالنسخ باللغة المنطوقة. إذا كنت بحاجة إلى ترجمات نصية لفيلم وثائقي ياباني، فإن Whisper يفعل ذلك في استدعاء واحد، ولا يستطيع نموذج Salesforce فعل ذلك على الإطلاق.

تستحق نقاط الضعف الموثّقة في Whisper قدرًا مساويًا من الاهتمام، لأنها أقوى حجة للانتقال. فبطاقة OpenAI الخاصة به تحذّر من أن النموذج يهلوس — أي يُنتج نصًا لم يُنطق — لأنه دُرّب على بيانات ضعيفة الإشراف ومشوّشة، وأن هذا أسوأ في اللغات محدودة الموارد. وتشير أيضًا إلى أن معمارية التسلسل إلى التسلسل عرضة للتكرار، ولا يُخفَّف ذلك إلا جزئيًا عبر البحث الشعاعي والتراجع الحراري. وهذه تحديدًا أنماط الفشل التي تجعل خط معالجة غير مراجَع خطيرًا، وهي ما استهدفته سنتان من العمل على المعمارية.

كيف تبدو الهجرة الحقيقية

لا أحد تقريبًا يستبدل Whisper بـ SOV-Transcribe-1. بل يوجّهون بينهما، وقاعدة التوجيه تُستنتج من المواصفات نفسها: إذا كان الصوت بالإنجليزية أو إحدى اللغات الست الأخرى المشمولة، وكان متحدثًا واحدًا، وأقل من ثلاثين دقيقة وغنيًا بالكيانات، فأرسله إلى النموذج المفتوح مع قائمة تلميحات؛ وإلا فاتركه على Whisper. نتيجة Contextual Earnings-22 من Salesforce — ارتفاع F1 للكلمات المفتاحية من 71.9 دون تلميحات إلى 96.8 باستخدام الكلمات المفتاحية الخاصة بالمقطع نفسه، وبقاؤها عند 94.0 عند تمرير قائمة الكلمات المفتاحية للساعة كاملة كعناصر مشتتة — هي القدرة المحددة التي تجعل التقسيم مجديًا، لأنها الشيء الوحيد الذي لا يؤديه انحياز الموجّه البادئي في Whisper بالقدر نفسه تقريبًا.

تكلفة هذا الانقسام هي بنية تحتية مكررة وصيغتا إخراج: إذ يعيد SOV-Transcribe-1 سلسلة نصية للنسخ، ويعيد Whisper نصًا بالإضافة إلى مقاطع بطوابع زمنية، ويتعين على كل ما يأتي لاحقًا أن يقبل كليهما. عمليًا، توحّد معظم الفرق إلى مخطط النسخ الخاص بها عند الحدود وتتوقف عن الاهتمام بالنموذج الذي أنتجه.

ما يحدث بعد النص المفرّغ هو الجزء الذي يتوسّع مع الحجم، وهو المكان الذي ينتمي إليه الموجّه بدلًا من مورّد ثانٍ للكلام: يضع OrcaRouter أكثر من 200 نموذج نصي وصوري وفيديو خلف مفتاح واحد بأسعار قائمة المزوّد دون أي هامش ربح، لذا يمكن أن تكون أداة التلخيص أو الفهرسة أو التصنيف التي تستهلك أيًا من النصين المفرّغين قابلة للتبديل أو التحويل إلى بديل عند الفشل دون عقد جديد — ويصبح تخفيض سعر المزوّد على ذلك النموذج ساريًا هنا في اليوم نفسه. لا يُقدَّم عبره Whisper Large v3 Turbo ولا SOV-Transcribe-1؛ فكلاهما أوزان تشغّلها بنفسك، ويبدأ التوجيه من النص الذي تصدره.

ما الذي قد يجعل هذه المقارنة عتيقة؟

أمران، وكلاهما وارد ضمن دورة إصدار. الأول هو نقطة تحقق SOV مُكمّاة. الميزة العملية لـ Whisper Large v3 Turbo هي أنه يتّسع في أي مكان؛ فنسخة 4-bit من نموذج بحجم 26.6B ستظل تحتاج GPU قوية، لكن إصدار FP8 أو NVFP4 — من النوع الذي أطلقته NVIDIA في اليوم الأول لـ Nemotron 3.5 Transcribe — سينقل نموذج Salesforce من "قطعة مخصّصة لمراكز البيانات" إلى "قطعة مخصّصة لمحطات العمل" وسيبدّد جزءًا كبيرًا من الاعتراض المتعلق بالنشر. وقد نشرت Salesforce بالفعل نسخة MLX 4-bit، ما يوحي بهذا الاتجاه.

الثاني هو الطوابع الزمنية وتمييز المتحدثين arriving في إصدار فرعي. كلاهما غائب بشكل لافت، وكلاهما من الأساسيات التي لا غنى عنها لمنتجات الاجتماعات والوسائط، وكلاهما بالضبط من النوع الذي تضيفه بطاقة طراز v0.2. وإذا تحقق ذلك، فسيبقى السبب الوحيد المتبقي لتشغيل Whisper هو المئات من اللغات — ولباقة كبيرة من الفرق، هذا هو السبب الوحيد الذي تشغّله من أجله الآن.

حتى ذلك الحين، يظل هذا التقسيم مستقرًا وسهل التبرير: يبقى Whisper Large v3 Turbo الخيار الافتراضي الصحيح لأي شيء متعدد اللغات، أو مزوّد بطوابع زمنية، أو طويل الذيل، أو محدود بموارد المعالج، بينما SOV-Transcribe-1 هو المتخصص الذي تلجأ إليه عندما يكون الصوت بالإنجليزية، وتكون المفردات معروفة، ولن يقرأ أي شخص المخرجات قبل أن تقرأها آلة.