SOV-Transcribe-1 vs. Whisper Large v3 Turbo: Was zwei Jahre und 2,3 WER-Punkte wert sind

Whisper Large v3 Turbo ist in keinem kommerziellen Sinn ein Konkurrent von SOV-Transcribe-1. Es ist der Platzhirsch – ein MIT-lizenzierter Checkpoint mit 809 Millionen Parametern, veröffentlicht im Oktober 2024, der still unter einem großen Teil aller seitdem ausgelieferten Transkriptionsprodukte steckt und nach wie vor auf gehosteten Endpunkten für 0,67 US-Dollar pro tausend Minuten angeboten wird. SOV-Transcribe-1 ist der Herausforderer, veröffentlicht von Salesforce am 12. November 2026, der im Composite von Artificial Analysis 2,28 % gegenüber 4,62 % von Whisper Large v3 Turbo erzielt. Die Frage ist also nicht, welches Modell besser ist. Sondern ob die Halbierung der Fehlerrate einen 53-GB-Download, eine 96-GB-GPU und einen Serving-Stack wert ist, wenn die Alternative in den Arbeitsspeicher eines Laptops passt und nur ein paar Cent pro Stunde Audio kostet.

Was zwei Jahre Fortschritt tatsächlich erkauft haben

Whisper Large v3 Turbo ist ein beschnittenes Whisper large-v3, dessen Decoder von 32 auf 4 Schichten reduziert wurde. Die Modellkarte von OpenAI ist diesbezüglich entwaffnend direkt: „dasselbe Modell, nur dass die Anzahl der Decodierungsschichten von 32 auf 4 reduziert wurde. Dadurch ist das Modell deutlich schneller – auf Kosten einer geringfügigen Qualitätsverschlechterung.“ Dieser Satz beschreibt eine Komprimierungsentscheidung, keine Architektur.

SOV-Transcribe-1 ist die andere Art von Veränderung. Salesforce behielt einen Whisper large-v3-Encoder — dieselbe Frontend-Komponente — bei und ersetzte den vierlagigen Decoder durch ein Gemma 4 26B A4B Mixture-of-Experts-Sprachmodell hinter einem Projektor. Die auditive Wahrnehmung wird von Whisper übernommen. Die Komponente, die Audio in Wörter umwandelt, ist ein Allzweck-Sprachmodell, das dreißigmal so groß ist wie der gesamte Whisper turbo Checkpoint.

• Parameter — Whisper Large v3 Turbo 809M gegenüber SOV-Transcribe-1 mit insgesamt 26,6B, davon 4,6B aktiv.

• Decoder — 4 Transformer-Schichten gegenüber einem 26B-Mixture-of-Experts mit 4,6B aktiven Parametern pro Token.

• Checkpoint-Größe — unter 2 GB gegenüber etwa 53 GB in BF16.

• Sprachen — rund hundert gegenüber sieben. Dieser hier läuft in die andere Richtung, und zwar heftig.

• Zeitstempel — satz- und wortgenaue Ausgabe fest in die Dekodierungsschleife integriert gegenüber keiner dokumentierten.

• Lizenz — MIT versus Apache 2.0. Beide sind permissiv; MIT ist geringfügig einfacher.

• Hardware — CPU oder eine kleine GPU im Vergleich zu einer Karte der RTX PRO 6000-Klasse mit 96 GB für die Konfiguration mit aktiviertem Draft.

Diese letzte Zeile ist das ganze Argument im Kleinen. Das eine Modell läuft überall; das andere läuft auf einer Serverkomponente, die mehr kostet als die gesamte jährliche Cloud-Rechnung der meisten Transkriptionsprojekte.

Die Fehlerrechnung, die niemand macht

Die Wortfehlerrate ist eine Abstraktion, bis man sie in Korrekturen umrechnet. Nehmen Sie einen Korpus von tausend Minuten englischer Sprache bei einer Gesprächsgeschwindigkeit von 150 Wörtern pro Minute – 150.000 Wörter. Bei 4,62 % erzeugt Whisper Large v3 Turbo etwa 6.900 falsche, fehlende oder eingefügte Wörter. Bei 2,28 % erzeugt SOV-Transcribe-1 etwa 3.400. Der Unterschied sind etwa 3.500 Wörter, die ein Mensch nicht finden und korrigieren muss.

Jetzt den Preis für die Korrektur. Eine sorgfältige Redakteurin gleicht das Transkript mit dem Audio mit vielleicht 200 bis 400 Wörtern pro Minute ab, sodass 3.500 weniger Fehler irgendwo zwischen neun und achtzehn Minuten eingesparter menschlicher Prüfung pro tausend Minuten Audio entsprechen. Bei einem Vollkostensatz von 30 $ pro Stunde sind das 4,50 $ bis 9,00 $ – gegenüber Transkriptionskosten von 0,67 $ auf der gehosteten Whisper-Seite.

Dieser Vergleich ist der Grund, warum die meisten Teams nie migrieren. Die menschlichen Kosten von Fehlern dominieren die maschinellen Kosten der Transkription um eine Größenordnung, daher sollte ein Modell, das Fehler halbiert, das Zehnfache des Preises wert sein – und konkurriert in der Praxis mit einem Preis, der bereits vernachlässigbar ist. Die Ausnahme ist jede Pipeline, in der niemand die Ausgabe prüft – automatisiertes Indexieren, Suche, Analytik, Zusammenfassungs-Feeds –, denn dort werden die Fehler nicht behoben, sie breiten sich in alles aus, was das Transkript als Nächstes liest, und die Kosten zweiter Ordnung sind die, die wirklich schmerzen.

Der Index, auf dem beide Bewertungen beruhen, ist selbst eine Mischung – zur Hälfte synthetische Agentengespräche, zu einem Viertel vorgelesene Parlamentsreden, zu einem Viertel echte Earnings Calls – und die beiden Modelle verhalten sich in jedem Drittel sehr unterschiedlich. Die Komponenten von Whisper Large v3 Turbo liegen bei 3,52 %, 3,97 % bzw. 7,49 %; die von SOV-Transcribe-1 bei 1,79 %, 1,50 % und 4,06 %. Die Lücke ist bei vorgelesenen Parlamentsreden am größten – 1,50 % gegenüber 3,97 %, ein Faktor von 2,6 – und bei Earnings Calls am kleinsten, wo beide Modelle Probleme haben und die Lücke 4,06 % gegenüber 7,49 % beträgt. Wenn Ihr Audio saubere vorgelesene Sprache ist, ist das Upgrade dramatisch. Wenn es unordentliches Finanzaudio mit mehreren Sprechern ist, sind beide Modelle schlecht und das neuere ist lediglich weniger schlecht.

Warum Whisper die Rechnung immer noch gewinnt

Beginnen wir mit dem Hosted-Vergleich, denn er ist der, mit dem die meisten Teams tatsächlich konfrontiert sind. Whisper Large v3 Turbo ist bei mindestens einem Hosting-Anbieter auf dem Artificial-Analysis-Board für 0,67 US-Dollar pro tausend Minuten verfügbar, bei einem gemessenen Geschwindigkeitsfaktor von 339,5 – das sind 339,5 Sekunden Audio pro Sekunde Wanduhrzeit. SOV-Transcribe-1 hat überhaupt keinen Hosted-Preis pro Minute. Salesforce hat Gewichte veröffentlicht, keinen Endpoint, und nichts auf dem Board enthält eine Angabe pro 1.000 Minuten dafür.

Der Vergleich wird also zu Dollar gegen GPU-Stunden, und die Modellkarte liefert dafür ungewöhnlich vollständige Zahlen. Mit nativer vLLM-Unterstützung und dem DFlash-Draft-Modell transkribiert eine RTX PRO 6000 Blackwell Server Edition bis zu 1.039 Sekunden Audio pro Sekunde. Lässt man diese Karte eine Stunde lang auf Volllast laufen, verarbeitet sie 3,74 Millionen Sekunden Audio – 62.340 Minuten. Bei ein paar Dollar pro Stunde für die Miete liegt das in der Größenordnung von drei Cent pro tausend Minuten Audio – zwanzigmal günstiger als der günstigste gehostete Whisper-Endpunkt in der Übersicht.

Diese Zahl ist real, und sie ist zugleich die irreführendste Zahl in diesem Artikel, denn sie setzt voraus, dass die Karte nie im Leerlauf ist. Sprachtranskription erfolgt stoßweise: Über Nacht entsteht ein Rückstand, der abgearbeitet wird, und danach steht die GPU zwanzig Stunden lang bei null Auslastung. Bei 1.039 Audio-Sekunden pro Sekunde schafft eine einzelne Karte tausend Stunden Audio in weniger als einer Stunde. Kaum jemand hat tausend Stunden Audio pro Tag. Die ehrliche Schlussfolgerung ist, dass Self-Hosting des einen oder des anderen Modells eine wirtschaftliche Entscheidung über die Auslastung ist, nicht über die Größe – und dass die Grenzkosten des besseren Modells nahe null liegen, sobald man sich überhaupt entschieden hat, eine Karte zu betreiben.

Drei Dinge, die Whisper kann, die das neue Modell nicht kann

Die Sprachabdeckung ist der erste Punkt, und er ist nicht knapp. Die Modellkarte von Whisper Large v3 Turbo listet fast hundert Sprachen auf, von Englisch und Mandarin bis hinunter zu Walisisch, Maltesisch, Hawaiianisch, Lao und Sundanesisch. SOV-Transcribe-1 deckt Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch und Niederländisch ab. Für jedes Team, dessen Audio nicht europäisch ist, hat dieser Vergleich keinen zweiten Akt — Whisper ist nicht die günstige Option, es ist die einzige Option zwischen den beiden.

Zeitstempel sind der zweite Punkt. Die Dekodierungsschleife von Whisper sagt sie nativ voraus, und die Transformers-Pipeline stellt sie über ein einziges Argument mit Satz- oder Wortgranularität bereit; so werden seit zwei Jahren Untertitel, Kapitelmarker und Compliance-Suche auf Whisper aufgebaut. Die Karte von SOV-Transcribe-1 dokumentiert Transkription, Stilsteuerung und Kontext-Biasing, aber nichts zu Zeitstempeln. Sie nachgelagert wiederzugewinnen bedeutet, einen Forced-Aligner über die Ausgabe laufen zu lassen, was ein weiteres Modell, eine weitere Abhängigkeit und eine weitere Fehlerquelle ist.

Die Sprachübersetzung ist die dritte. Whisper kann Audio in jeder seiner Quellsprachen entgegennehmen und direkt englischen Text ausgeben, als Dekodierungsaufgabe und nicht als zweite Pipeline-Stufe. SOV-Transcribe-1 transkribiert in der gesprochenen Sprache. Wenn Sie Untertitel für eine japanische Dokumentation benötigen, erledigt Whisper das mit einem einzigen Aufruf, und das Salesforce-Modell kann es überhaupt nicht.

Die dokumentierten Schwächen von Whisper verdienen ebenso viel Aufmerksamkeit, sind sie doch das stärkste Argument für einen Umstieg. OpenAIs eigene Model Card warnt, dass das Modell halluziniert – also Text erzeugt, der nicht gesprochen wurde –, weil es auf schwach überwachten, verrauschten Daten trainiert wurde, und dass dies bei ressourcenarmen Sprachen ausgeprägter ist. Sie weist außerdem darauf hin, dass die Sequence-to-Sequence-Architektur zu Wiederholungen neigt, was durch Beam Search und Temperature Fallback nur teilweise abgemildert wird. Genau diese Fehlermodi machen eine ungeprüfte Pipeline gefährlich, und auf sie zielten zwei Jahre Architekturarbeit ab.

So sieht eine echte Migration aus

Kaum jemand ersetzt Whisper durch SOV-Transcribe-1. Man routet zwischen beiden, und die Routing-Regel ergibt sich aus den Spezifikationen von selbst: Wenn das Audio Englisch oder eine der sechs weiteren abgedeckten Sprachen ist, von einem einzelnen Sprecher stammt, unter dreißig Minuten lang und entitätslastig ist, geht es mit einer Hinweisliste an das offene Modell; andernfalls bleibt es bei Whisper. Salesforce' Ergebnis für Contextual Earnings-22 – Keyword-F1 steigt von 71,9 ohne Hinweise auf 96,8 mit den eigenen Keywords des Clips und hält 94,0, wenn man ihm die Keyword-Liste der ganzen Stunde als Distraktoren übergibt – ist genau die spezifische Fähigkeit, die die Aufteilung lohnenswert macht, denn sie ist das Einzige, was das Prefix-Prompt-Biasing von Whisper nicht annähernd so gut leistet.

Der Preis dieser Aufteilung sind doppelte Infrastruktur und zwei Ausgabeformate: SOV-Transcribe-1 liefert einen Transkript-String, Whisper liefert Text plus Zeitstempel-Chunks, und alles Nachgelagerte muss beides akzeptieren. In der Praxis normalisieren die meisten Teams an der Schnittstelle auf ihr eigenes Transkript-Schema und kümmern sich dann nicht mehr darum, welches Modell es erzeugt hat.

Was nach dem Transkript passiert, ist der Teil, der mit dem Volumen skaliert, und hier gehört ein Router hin statt eines zweiten Sprachanbieters: OrcaRouter vereint über 200 Text-, Bild- und Videomodelle hinter einem Schlüssel zu den Listenpreisen der Anbieter ohne Aufschlag, sodass der Summarizer, Indexer oder Klassifikator, der eines der beiden Transkripte verarbeitet, ausgetauscht oder bei Ausfall ersetzt werden kann, ohne einen neuen Vertrag — und eine Preissenkung eines Anbieters für dieses Modell ist hier noch am selben Tag live. Weder Whisper Large v3 Turbo noch SOV-Transcribe-1 werden darüber bereitgestellt; beides sind Gewichte, die Sie selbst ausführen, und das Routing beginnt mit dem Text, den sie ausgeben.

Was würde diesen Vergleich obsolet machen

Zwei Dinge, und beide sind innerhalb eines Release-Zyklus plausibel. Das erste ist ein quantisierter SOV-Checkpoint. Der praktische Vorteil von Whisper Large v3 Turbo besteht darin, dass es überall hineinpasst; ein 4-Bit-Build eines 26,6B-Modells würde immer noch eine leistungsstarke GPU verlangen, aber ein FP8- oder NVFP4-Release — die Art, die NVIDIA am ersten Tag für Nemotron 3.5 Transcribe ausgeliefert hat — würde das Salesforce-Modell von einer „Data-Center-Komponente“ zu einer „Workstation-Komponente“ machen und einen großen Teil der Bedenken hinsichtlich der Bereitstellung zerstreuen. Salesforce hat bereits einen MLX-4-Bit-Build veröffentlicht, was die Richtung andeutet.

Das Zweite sind Zeitstempel und Sprechertrennung, die in einem Point-Release kommen. Beide fehlen auffällig, beide sind Grundvoraussetzungen für Meeting- und Medienprodukte, und beide sind genau die Art von Dingen, die eine v0.2-Modellkarte ergänzt. Wenn sie erscheinen, ist der einzige verbleibende Grund, Whisper zu verwenden, die hundert Sprachen – und für einen großen Teil der Teams ist das der einzige Grund, es heute zu verwenden.

Bis dahin ist die Aufteilung stabil und leicht zu begründen: Whisper Large v3 Turbo bleibt die richtige Standardwahl für alles, was mehrsprachig, mit Zeitstempeln versehen, Long-Tail oder CPU-gebunden ist, und SOV-Transcribe-1 ist der Spezialist, auf den man zurückgreift, wenn das Audio auf Englisch ist, das Vokabular bekannt ist und niemand die Ausgabe lesen wird, bevor es eine Maschine tut.