SOV-Transcribe-1 vs. GPT Transcribe: Der eine veröffentlicht Benchmarks, der andere einen Preis

OpenAI hat nie eine Wortfehlerrate für GPT Transcribe veröffentlicht. Das Modell erscheint in der API-Dokumentation als Snapshot mit einem Preis und einer Liste von Endpunkten, und das ist der gesamte öffentlich verfügbare Bestand – keine Genauigkeitstabelle, keine Sprachliste, kein Vergleich mit seinem Vorgänger. Das bedeutet, die einzige belastbare Zahl in diesem Vergleich stammt aus der Testumgebung eines Dritten: Artificial Analysis misst GPT Transcribe mit 3,31 % AA-WER, gegenüber 2,28 % für SOV-Transcribe-1, das am 12. November 2026 veröffentlichte Open-Weight-Modell von Salesforce. Ein ganzer Prozentpunkt Wortfehlerrate trennt die beiden, und das ist die am wenigsten nützliche Information im Artikel. Die nützlichen Fakten sind, dass GPT Transcribe in Echtzeit über eine WebSocket-Sitzung streamt und SOV-Transcribe-1 überhaupt nicht streamen kann, dass das eine $0.0045 pro Minute kostet und das andere eine GPU kostet, und dass keiner der Anbieter Ihnen sagt, wie sich eines der beiden Modelle mit Ihrem Audiomaterial verhält.

Was OpenAI tatsächlich dokumentiert

Der Snapshot heißt gpt-transcribe. Er verarbeitet abgeschlossene Audiodateien, gestreamte Dateitranskripte und festgeschriebene Turns in Realtime-Sitzungen über WebSocket – Streaming ist also eine dokumentierte Funktion mit eigenem Transport und kein Flag im Batch-Aufruf. Die Katalogseite nennt außerdem Unterstützung für unstrukturierten Kontext, Keyword-Hinweise und mehrere Sprachhinweise, was dieselbe Art der Beeinflussung ist, die SOV-Transcribe-1 über Anweisungen bietet. Der dokumentierte Preis beträgt $0.0045 pro Audiominute, was $0.27 pro Stunde Audio ergibt; die Praktiker-Version dieser Zahl ist, dass tausend Stunden aufgezeichnete Anrufe $270 für die Transkription kosten.

Was fehlt, ist ebenso informativ. Die Modellseite bewertet die Leistung nur mit einem qualitativen Label „Highest“ und die Geschwindigkeit mit „Medium“ – kein WER, keine Genauigkeit pro Sprache, keine maximale Audiolänge als harte Grenze angegeben, keine Evaluierungstabelle, die es mit Whisper vergleicht. O​penAIs älteres Sprachmodell Whisper Large v3 Turbo hat eine Modellkarte mit Abschnitten zu Einschränkungen und ein zugrunde liegendes Paper. G​PT Transcribe hat einen Preis, eine Endpunktliste und zwei Adjektive. Das ist kein Vorwurf – viele Produktionsmodelle werden ohne veröffentlichte Evaluierungen ausgeliefert –, aber es ändert, was ein Käufer vor der Entscheidung prüfen kann, und deshalb ist die unabhängige Testumgebung hier wichtiger als in einem Vergleich, in dem beide Anbieter Evaluierungen veröffentlichen.

Die eine äußere Zahl – und wie viel Gewicht sie trägt

Artificial Analysis führt G​PT Transcribe über denselben dreiteiligen Composite aus, den es für alles auf diesem Board verwendet: AA-AgentTalk mit 50 % Gewichtung, VoxPopuli-Cleaned mit 25 %, Earnings22-Cleaned mit 25 %. G​PT Transcribe erzielt 3,31 %. Derselbe Harness ordnet SOV-Transcribe-1 bei 2,28 % ein.

Lesen Sie die Komponenten, bevor Sie der Differenz trauen. Die 2,28 % von SOV-Transcribe-1 sind ein Durchschnitt aus 1,79 % im synthetischen Konversationsdatensatz, 1,50 % bei vorgelesener Parlamentsrede und 4,06 % bei echten Earnings Calls – die Spanne zwischen seiner besten und seiner schlechtesten Oberfläche beträgt fast drei zu eins. Wenn GPT Transcribe eine ähnliche Spanne hat – und es gibt keinen veröffentlichten Grund, etwas anderes anzunehmen –, dann könnte eine zusammengesetzte Differenz von einem Punkt eine Differenz von zwei Punkten bei Earnings Calls und ein Rundungsfehler bei vorgelesener Rede sein. Niemand außerhalb von Artificial Analysis weiß das, und Artificial Analysis veröffentlicht zusammengesetzte Werte, keine Aufschlüsselungen pro Datensatz für jedes Modell.

Die zweite unabhängige Kennzahl ist die Geschwindigkeit. Dasselbe Board misst für G​PT Transcribe einen Geschwindigkeitsfaktor von 43,1 – das sind 43,1 Sekunden verarbeitetes Audio pro Sekunde Echtzeit. Zum Vergleich: Dieselbe Messung setzt Whisper Large v3 Turbo bei 339,5 und G​emini 3.5 Transcribe bei 94,4 an. G​PT Transcribe ist mit großem Abstand der langsamste der vier, und wenn man ein Archiv statt eines Telefonats transkribiert, ist das die Zahl, die Ihre Warteschlangentiefe bestimmt.

Woher die Zahlen des offenen Modells stammen und wo sie enden

Die 2,28 % von SOV-Transcribe-1 sind unabhängig, aber fast alles andere daran wird von Salesforce berichtet. Die Modellkarte behauptet eine Vollpass-Quote von 76,3 % bei VoiceCodeBench, einem privaten Leaderboard, und eine Entity-Recovery von 93,4 % auf demselben Set; eine durchschnittliche WER von 8,21 % über vierzehn englische Akzente bei AppTek Call-Center Dialogues; und 25,69 % bei HALAS, einem auf Halluzinationen fokussierten Earnings-Call-Datensatz. Davon kann heute nur der Artificial Analysis Composite von Dritten reproduziert werden. Der technische Bericht ist als „coming soon“ verlinkt.

Die ehrliche Darstellung des Genauigkeitsvergleichs ist also auf unangenehme Weise asymmetrisch: Das offene Modell hat einen besseren unabhängigen Score und eine große Menge nicht geprüfter Herstellerangaben, während das gehostete Modell einen schlechteren unabhängigen Score und überhaupt keine Herstellerangaben hat. Keine der beiden Positionen ist stark. Wenn Ihre Entscheidung von der Robustheit gegenüber Akzenten oder der Genauigkeit bei Entitäten abhängt, wählen Sie zwischen einer Präsentationsfolie des Anbieters und einem Schweigen, und der einzige Weg, das zu klären, besteht darin, beide mit ein paar hundert Clips Ihres eigenen Audios laufen zu lassen.

Streaming ist der Unterschied, der das Gespräch beendet.

Das ist keine Nuance. G​PT Transcribe öffnet eine Echtzeit-Transkriptionssitzung über WebSocket und gibt partiellen Text zurück, sobald Audio eintrifft. SOV-Transcribe-1 ist ausdrücklich nicht für Streaming ausgelegt: Es nimmt eine vollständige Aufnahme entgegen, bis zu dreißig Minuten 16-kHz-Mono-Audio, und gibt ein vollständiges Transkript zurück. Es gibt keinen Teilausgabemodus, den man aktivieren könnte, und keine Konfiguration, die einen erzeugt.

Für ein Live-Untertitelungsprodukt, einen Voice-Agenten, ein Agent-Assist-Overlay in einem Callcenter oder irgendetwas, bei dem das Transkript bereits vorliegen muss, bevor der Sprecher aufhört zu sprechen, ist der Vergleich entschieden, bevor über Genauigkeit gesprochen wird. SOV-Transcribe-1 ist keine langsamere Option; es ist keine Option. Umgekehrt: Wenn die Arbeitslast in der nächtlichen Batch-Transkription aufgezeichneter Anrufe besteht – was tatsächlich den Großteil des Sprachvolumens in Unternehmen ausmacht –, dann ist Streaming eine Funktion, für die man bezahlen würde, ohne sie jemals aufzurufen, und der Genauigkeitsvorteil von 1,03 Punkten ist geschenktes Geld.

Darunter liegt ein zweiter struktureller Unterschied. GPT Transcribe ist ein verwalteter Endpunkt: Der Snapshot-Name ist fest, das Antwortformat kann OpenAI ändern, und die Version, die Sie in einem Jahr aufrufen, ist derselbe Name mit den Verbesserungen, die bis dahin dahinter ausgeliefert wurden. SOV-Transcribe-1 gibt einen Transkript-String und sonst nichts zurück – keine Wort-Zeitstempel, keine Sprecherbezeichnungen – was ein echter Nachteil ist, aber auch bedeutet, dass das Ausgabeformat genau das ist, was Ihr nachgelagerter Code daraus macht, und dass sich die Gewichte, die Sie heruntergeladen haben, nicht unter Ihnen ändern, es sei denn, Sie ersetzen sie.

Der Kostenvergleich, mit der gezeigten Berechnung

GPT Transcribe wird pro Audiominute abgerechnet: 0,0045 US-Dollar, also 4,50 US-Dollar pro tausend Minuten – genau der Wert, den das Artificial Analysis Board ausweist. Es gibt keine Token-Abrechnung, die modelliert werden müsste, und keine dokumentierte Rabattstufe.

Auf der Salesforce-Seite gibt es keine Pro-Minute-Zahl, die man daneben stellen könnte, weil es nichts pro Minute zu kaufen gibt. Die Karte bietet stattdessen Durchsatz: Mit nativer vLLM-Unterstützung und dem DFlash-Draftmodell transkribiert eine RTX PRO 6000 Blackwell Server Edition bis zu 1.039 Sekunden Audio pro Sekunde und liefert das Transkript eines dreißigsekündigen Clips in 0,22 Sekunden zurück. Tausend Minuten Audio entsprechen 60.000 Sekunden, bei dieser Rate sind sie in weniger als einer Minute GPU-Zeit abgearbeitet.

Setzt man die beiden Zahlen nebeneinander, sagen sie etwas ganz Bestimmtes aus. Bei $4.50 pro tausend Minuten kostet GPT Transcribe $4.50 für das, was das offene Modell in etwa 58 Sekunden auf einer Karte erledigt. Eine gemietete RTX PRO 6000 kostet im niedrigen einstelligen Dollarbereich pro Stunde, also ist der offene Weg bei jedem dauerhaften Volumen günstiger – aber nur, wenn die Karte ausgelastet ist. Bei drei Stunden Audio pro Woche ist die Karte 99 % der Zeit im Leerlauf, und die API ist um den Faktor zehn die günstigere Antwort – noch bevor man den Engineer mitzählt, der das auf Version 0.32.0 festgelegte vLLM-Plugin pflegt.

Zwei Vorbehalte zur Durchsatzangabe, beide aus der Modellkarte. Es handelt sich um eine Messung aus einem Entwicklungs-Build vom November 2026, und sie erfordert max_num_seqs=64, damit das Startprofiling in die 96 GB der Karte passt, sobald das Draft-Modell geladen ist. Die Standardeinstellung von 1.024 gleichzeitigen Sequenzen passt nicht. Sie dimensionieren einen Server, Sie rufen keinen Endpunkt auf.

Der Mittelweg – und wo ein Router seinen Platz hat

Die meisten Teams, die hier landen, entscheiden sich nicht für eines. Sie behalten die gehostete API für alles Interaktive bei und ergänzen das offene Modell für den Archivrückstand – was zwei Transkriptionswege, zwei Ausgabeformate und zwei Kostenstellen bedeutet – und dann, in der Regel, ein nachgelagertes Textmodell, das über beides hinweg zusammenfassen, klassifizieren oder abrufen muss.

Der letzte Schritt ist der, der sich wirklich zu routen lohnt. OrcaRouter bringt über 200 Text-, Bild- und Videomodelle hinter einem einzigen Schlüssel zu den Listenpreisen der Anbieter mit 0 % Aufschlag, sodass das Zusammenfassungs- oder Klassifizierungsmodell, das eines der beiden Transkripte liest, ausgetauscht, verglichen oder im Failover betrieben werden kann, ohne einen neuen Vertrag – und eine Preissenkung des Anbieters für dieses Textmodell greift am selben Tag, an dem sie auf der Preiskarte des Anbieters erscheint. G​PT Transcribe oder SOV-Transcribe-1 werden nicht gehostet; keines der beiden Sprachmodelle wird von uns angeboten, und das Routing beginnt mit dem Text, den sie erzeugen. Der Gewinn daraus: Die Entscheidung über die Transkription ist nicht länger an die Entscheidung über die Analyse gekoppelt.

Wer sollte was auswählen?

Wählen Sie G​PT Transcribe, wenn das Transkript existieren muss, während das Audio noch läuft, wenn Sie keine GPU-Betriebskapazität und keine Lust haben, sie aufzubauen, wenn das Volumen so bescheiden ist, dass 0,27 $ pro Audio-Stunde gegenüber der Engineering-Zeit ein Rundungsfehler sind, oder wenn Sie einfach einen Anbieter mit einem Supportvertrag hinter dem Endpoint benötigen. Akzeptieren Sie die Genauigkeitslücke von 1,03 Punkten als Preis dafür, und beachten Sie, dass Sie bei 43,1-facher Echtzeit nicht planen sollten, ein großes Archiv darüber nachzufüllen.

Wählen Sie SOV-Transcribe-1, wenn die Audioaufnahmen überwiegend englischsprachig sind, pro Datei unter dreißig Minuten lang sind und nachträglich statt währenddessen benötigt werden; wenn die Aufnahmen Ihre Infrastruktur nicht verlassen dürfen; wenn das Vokabular im Voraus bekannt ist und als Hinweisliste übergeben werden kann, wobei Salesforce von einem Keyword-F1-Anstieg von 71,9 auf 96,8 bei Contextual Earnings-22 berichtet; und wenn Sie bereits GPUs für etwas anderes betreiben, sodass die Grenzkosten der Karte nahe null liegen.

Was Sie nicht tun sollten, ist, sich an den 3,31 % gegenüber 2,28 % aufzuhängen. Diese beiden Zahlen stammen aus einer einzigen Testumgebung, bei einer einzigen zusammengesetzten Gewichtung, wobei für keines der beiden Modelle eine Aufschlüsselung pro Set veröffentlicht wurde. Sie reichen aus, um zu sagen, dass das offene Modell bei englischer Konversations- und gelesener Sprache wahrscheinlich genauer ist. Sie reichen nicht aus, um zu sagen, um wie viel genauer auf Ihrem Audiomaterial, und die Fähigkeiten, die GPT Transcribe hat und SOV-Transcribe-1 nicht – Streaming, ein verwalteter Endpunkt, Keyword- und Sprachhinweise ohne Serving-Stack sowie ein Anbietervertrag hinter der Uptime –, werden durch WER überhaupt nicht gemessen.