SOV-Transcribe-1 vs. Nemotron 3.5 Transcribe: Fünfzehn Tage auseinander, und nur eines von beiden ist ein Produkt

Open-Weight-Spracherkennung ging innerhalb von zwei Wochen zweimal in neue Hände über. NVIDIA veröffentlichte Nemotron 3.5 Transcribe am 28. Oktober 2026; Salesforce veröffentlichte SOV-Transcribe-1 am 12. November. Im Composite von Artificial Analysis gewinnt das neuere Modell: SOV-Transcribe-1 mit 2,28 % AA-WER gegenüber Nemotron 3.5 Transcribe mit 2,81 %. Das ist das gesamte Verkaufsargument, und es ist dünner, als es aussieht. NVIDIA lieferte Sprecherdiarisierung, Wort-Zeitstempel, vierzig Sprachen, einstündige Aufnahmen, drei Quantisierungsformate, einen veröffentlichten technischen Bericht und einen Serving-Stack samt Cookbook. Salesforce lieferte die beste Zahl auf der Rangliste und eine Modellkarte, auf der steht, dass der technische Bericht noch kommt. Wenn Sie ein Modell für ein Produkt statt für ein Leaderboard auswählen, ist die Genauigkeitslücke nicht die Achse, auf die es ankommt.

Zwei Architekturen, zwei völlig unterschiedliche Wetten

Nemotron 3.5 Transcribe ist ein Mamba-2- und Transformer-Hybrid-Mixture-of-Experts-Sprachmodell – Nemotron 3.5 Lightning 30B A3B – mit einem parallelen Experten-Encoder: einem Transformer-ASR-Encoder mit rund 600 Mio. Parametern und einem separaten Sprecher-Encoder mit 99 Mio. Parametern sowie einem CTC-Kopf zur Zeitstempelausrichtung. Insgesamt 34 Milliarden Parameter, davon 4,3 Mrd. aktiv, einschließlich des Audio-Encoders.

SOV-Transcribe-1 geht den umgekehrten Weg. Es nimmt einen handelsüblichen Whisper-large-v3-Encoder, setzt einen Projektor darauf und übergibt das Ergebnis an einen Gemma-4-26B-A4B-Decoder – insgesamt 26,6 Mrd. Parameter, 4,6 Mrd. aktiv. Während NVIDIA ein Sprach-Frontend baute und ein eigenes Sprachmodell daran anschloss, hängte Salesforce ein Allzweck-Sprachmodell an ein Sprach-Frontend, das ohnehin jeder bereits hat. Deshalb ist der SOV-Checkpoint in BF16 53 GB groß und die Nemotron-BF16-Version benötigt eine 80-GB-H100: Das Salesforce-Modell hat insgesamt weniger Gewicht und liegt in einem Format vor, für das noch keine quantisierte Variante veröffentlicht wurde.

• Gesamtparameter — SOV-Transcribe-1 26,6B gegenüber Nemotron 3.5 Transcribe 34B, beide inklusive des Audio-Encoders.

• Aktive Parameter – 4,6B gegenüber 4,3B. Praktisch ein Gleichstand, was der interessante Teil ist: Salesforce erzielt mit einem geringfügig größeren aktiven Satz und einem deutlich kleineren Gesamtsatz eine niedrigere Fehlerrate.

• Audio-Limit — 30 Minuten gegenüber 1 Stunde, mit einem Kontext von 65.536 Token auf der NVIDIA-Seite.

• Sprachen – 7 europäische im Vergleich zu 40, wobei Code-Switching über die Nemotron-Matrix hinweg unterstützt wird.

• Präzision — nur BF16 (FP32-Router) gegenüber BF16-, FP8- und NVFP4-Checkpoints, wobei der letzte auf einer RTX 5090 läuft.

• Lizenz — Apache 2.0 versus OpenMDW-1.1. Apache ist mit Abstand die permissivere der beiden, und für manche Rechtsteams ist allein das ausschlaggebend.

Ein Benchmark, den beide Anbieter ausführten, mit Zahlen, die nicht übereinstimmen

Dies ist der nützlichste Vergleich im Artikel, denn nur hier lassen sich die beiden Modellkarten im selben Test direkt nebeneinanderstellen. VoiceCodeBench misst die Transkription strukturierter Werte – E-Mail-Adressen, Dateipfade, Bezeichner, Kontonummern – und meldet zwei Metriken: die Übereinstimmung kanonischer Token und Entitäten, also wie viel des Zielinhalts wiederhergestellt wurde, und die Aufgaben-Erfolgsrate, also den Anteil der Aufnahmen, bei denen jeder Zielwert korrekt herauskam.

Die Karte von NVIDIA gibt beides an: 88,53 % CTEM und 59,33 % TSR sowie eine Wortfehlerrate von 8,38 % auf dem Set. Die Karte von Salesforce gibt zwei Werte für denselben Benchmark an: 76,3 %, die alle Zielentitäten erfüllen, und 93,4 % der Entitäten wiederhergestellt, beschrieben als erstes unter Open-Weight-Systemen und zweites von 23 insgesamt. Diese lassen sich jeweils TSR und CTEM zuordnen, und die Zuordnung funktioniert nicht. Salesforce behauptet 76,3 % Full-Pass, wo NVIDIA 59,33 % für dieselbe Metrik meldet, und behauptet 93,4 % Entity-Recovery, wo NVIDIA 88,53 % meldet.

Es gibt harmlose Erklärungen. VoiceCodeBench ist ein privates Leaderboard, das von einem Drittanbieter betrieben wird, die Scores werden im Zeitverlauf versioniert, und die beiden Anbieter haben möglicherweise unterschiedliche Snapshots eingereicht. Es gibt aber auch eine nicht so harmlose: Eine der beiden Zahlen wird mit mehr Zuversicht dargestellt, als die eigene Berichterstattung des Benchmarks stützt. Was Leser daraus schließen können, ist begrenzt und sollte klar gesagt werden – bei dem einen Benchmark für strukturierte Werte, an dem beide Modelle gemessen wurden, scheint das Salesforce-Modell deutlich besser darin zu sein, jeden Wert richtig zu treffen, und wie groß dieser Vorsprung ist, ist umstritten – je nachdem, wessen Karte man liest, liegen die Angaben fünf bis siebzehn Punkte auseinander.

Was NVIDIA lieferte, Salesforce aber nicht.

Der Unterschied hier ist nicht graduell. Das sind Fähigkeiten, keine Punktzahlen, und jede einzelne beseitigt ein Stück nachgelagerter Arbeit, das Sie sonst selbst aufbauen müssten.

• {{1}}Sprecherzugeordnete Transkription{{/1}} — eine vollständige Multi-Sprecher-Evaluierung über AMI, CALLHOME, Mixer 6 und NOTSOFAR-1 hinweg, mit einem mittleren cpWER von 15,80 und Ergebnissen je Bedingung bis hinunter zu einzelnen Distanzmikrofon-Fällen. {{2}}SOV-Transcribe-1{{/2}} dokumentiert überhaupt keine Diarisierung.

• Wort-Zeitstempel — ein CTC-Alignment-Kopf, der Worttext mit Start- und Endzeiten, eine Diarisierungs-Segmentkarte und ein Alignment-Fehlerfeld zurückgibt. Die Salesforce-Karte gibt einen Transkript-String zurück.

• Sprachübersetzung, Sprachidentifikation und Beantwortung von Audiofragen — getrennte Aufgaben mit eigenen Benchmarks, darunter 100 % FLEURS-Sprach-ID bei mehreren Sprachen. SOV-Transcribe-1 transkribiert in sieben Sprachen – und dabei bleibt es.

• Ein technischer Bericht – als PDF veröffentlicht, in dem die Zusammensetzung der Trainingsdaten bis ins Detail aufgeschlüsselt ist, einschließlich der Frage, welche Korpora von wem lizenziert wurden. Salesforce verlinkt seinen Bericht als „demnächst verfügbar“.

• Eine Quantisierungsleiter und ein Serving-Kochbuch — NVFP4 auf Consumer-Blackwell, ein SGLang-Omni-Pfad, GGML unter nativem Windows. Die Salesforce-Integration ist ein vLLM-Plugin, fest auf 0.32.0 gepinnt, wobei die Upstream-Unterstützung als laufende Arbeit beschrieben wird.

Die ehrliche Einschränkung bei dieser Liste ist, dass Breite und Tiefe in Konkurrenz zueinander stehen. Ein Modell, das auf 40 Sprachen und sieben Aufgabenfamilien trainiert wurde, verteilt seine Kapazität; eines, das auf sieben europäischen Sprachen und allein auf Transkription trainiert wurde, kann sie ganz dort einsetzen. Die Lücke von 0,53 Punkten beim zusammengesetzten Wert ist genau das, wie dieser Trade-off aussieht, wenn er sich auszahlt.

Die Portionsangaben, sorgfältig lesen

Beide Anbieter benchmarken auf derselben Karte, was diesen Vergleich ungewöhnlich sauber macht – und ungewöhnlich leicht falsch zu verstehen.

• Salesforce, SOV-Transcribe-1 — bis zu 1.039 Sekunden Audio pro Sekunde auf einer RTX PRO 6000 Blackwell Server Edition, mit aktiviertem DFlash-Draft-Modell, auf einem vLLM-Entwicklungsbuild, bei max_num_seqs=64.

• NVIDIA, Nemotron 3.5 Transcribe — bis zu 2.238 Sekunden Audio pro Sekunde auf derselben Karte in NVFP4 mit spekulativer Dekodierung durch DFlash2 und liefert das Transkript eines 30-Sekunden-Clips in 0,13 Sekunden.

Der NVIDIA-Wert ist mehr als doppelt so hoch, und NVIDIA nennt in seiner eigenen Modellkarte den Grund dafür: Diese Optimierungen stecken im Nemotron Transcribe NIM und sind nicht in der Open-Source-Version enthalten, die laut der Modellkarte etwa zweimal langsamer ist und für die Modellentwicklung gedacht ist. Der tatsächlich vergleichbare Vergleich – offenes vLLM gegen offenes vLLM, auf einer Karte – liegt also bei ungefähr 1.119 gegenüber 1.039 Audio-Sekunden pro Sekunde. NVIDIA liegt weiterhin vorn, um etwa acht Prozent, und ist dabei auch noch das Modell, das Sprecherbezeichnungen und Zeitstempel im Ausgabestream liefert.

Was das für einen Käufer bedeutet, ist, dass keines der beiden Modelle wegen des Durchsatzes gekauft wird. Beide sättigen eine moderne Karte; beide benötigen eine dedizierte. Die Entscheidung ist, welche Ausgabe Sie brauchen und welchen Download Sie ausführen können, und bei der zweiten Frage gewinnt Nemotron klar, weil ein NVFP4-Checkpoint auf Hardware läuft, die einen Bruchteil einer 96-GB-Serverkomponente kostet, während das Salesforce-Modell keine quantisierte Version zum Ausführen hat.

Wo SOV-Transcribe-1 wirklich die bessere Wahl ist

Drei Fälle, und der erste ist der offensichtliche. Wenn Englisch die Sprache und Entitätsgenauigkeit das Produkt ist, sind 2,28 % gegenüber 2,81 % beim Composite ein echter Unterschied, und der schwächste Teilbereich des Salesforce-Modells — 4,06 % bei Earnings22-Cleaned — ist immer noch besser als das, was der Composite für den Wettbewerb impliziert. Bei Contextual Earnings-22 meldet SOV-Transcribe-1, dass der Keyword-F1 mit den eigenen Hinweisen des Clips von 71,9 auf 96,8 steigt und bei 94,0 bleibt, wenn die Keyword-Liste der vollen Stunde als Distraktoren vorgegeben wird. NVIDIA gibt seine eigenen Contextual-Earnings22-Zahlen in Wortfehlerrate statt in F1 an, von 12,54 % ohne Kontext auf 9,58 % lokal, sodass die beiden nicht direkt vergleichbar sind — aber das Muster des Ergebnisses, dass Hinweislisten helfen und distraktorenreiche Hinweislisten weiterhin helfen, ist bei beiden dasselbe.

Der zweite Fall ist die Lizenzierung. Apache 2.0 gegenüber OpenMDW-1.1 ist keine Formsache für ein Unternehmen, dessen Rechtsprüfung zu abgeleiteten Werken eine eigene Meinung hat. Wenn Sie vorhaben, feinabzustimmen und weiterzuverbreiten oder das Modell in ein Produkt einzubetten, das Sie ausliefern, ist der Apache-Weg kürzer.

Der dritte Punkt ist die Einfachheit des Umfangs. Ein Modell, das eine Sache tut, gibt eine Sache zurück, und eine Pipeline, die einen Transkript-String erwartet, ist leichter nachzuvollziehen als eine, die ein strukturiertes Objekt mit Sprecher-Tags, Zeitstempeln und einem Alignment-Fehler-Feld erhält, das sie möglicherweise nicht braucht. Teams, die ihre Diarisierung selbst übernehmen wollen – weil sie bereits ein Sprecher-Embedding-Modell betreiben, dem sie vertrauen –, erhalten vom engeren Modell eine sauberere Eingabe.

Zwischen ihnen wählen ohne eine Rangliste

Wenn es sich bei der Audioaufnahme um ein Meeting, einen Anruf mit mehr als einer Stimme oder irgendetwas handelt, bei dem „wer was gesagt hat“ Teil des Liefergegenstands ist, lautet die Antwort Nemotron 3.5 Transcribe, und die Genauigkeitsfrage ist gegenstandslos — SOV-Transcribe-1 kann dieses Feld nicht liefern. Wenn das Audio nicht englischsprachig ist, gilt dasselbe in noch stärkerem Maße. Wenn die Aufnahmen länger als dreißig Minuten dauern oder auf Hardware laufen müssen, die kleiner ist als eine Data-Center-Karte, dann wiederum NVIDIA.

Wenn das Audio auf Englisch ist, von einem einzelnen Sprecher stammt oder bereits vorgelagert diarisiert wurde, unter einer halben Stunde lang ist und es sich bei dem Ergebnis um Text mit den richtigen Eigennamen handelt, ist SOV-Transcribe-1 das genauere der heute verfügbaren Transkriptionswerkzeuge, und die Apache-Lizenz erspart eine Verhandlung. Das ist ein engeres Spektrum an Workloads, als die Berichterstattung zum Start nahelegte – und dieses Spektrum ist real.

Gemischte Pipelines sind auch hier das normale Ergebnis, und sie werfen eine praktische Frage auf, die keine der beiden Modellkarten beantwortet: Was liest das Transkript anschließend? OrcaRouter stellt 200+ Text-, Bild- und Videomodelle hinter einem einzigen Schlüssel zu Anbieter-Listenpreisen mit 0 % Aufschlag bereit, sodass der nachgelagerte Summarizer oder Extraktor ohne einen zweiten Vertrag ausgetauscht oder auf Failover umgestellt werden kann — nützlich, wenn die Transkriptquelle noch nicht entschieden ist. Keines dieser Sprachmodelle wird darüber bereitgestellt, und wir behaupten nichts anderes; das Routing beginnt dort, wo der Text beginnt.

Was sich in den zwei Wochen zwischen diesen beiden Veröffentlichungen geändert hat, ist nicht, welches Modell an der Spitze der Open-Weight-Tabelle steht. Es ist, dass die Tabelle keine eindeutige Antwort mehr hat und die Antwort nun davon abhängt, ob man ein Transkriptionswerkzeug oder eine Transkript-Pipeline kauft. NVIDIA verkauft Letzteres. Salesforce veröffentlichte Ersteres – und tat das außerordentlich gut.