SOV-Transcribe-1 vs Gemini 3.5 Transcribe: Tres décimas de punto, y todo lo demás

En la tabla de voz de Artificial Analysis, los dos modelos están separados por 0,32 puntos porcentuales —SOV-Transcribe-1 con 2,28 % de AA-WER y Gemini 3.5 Transcribe con 2,60 %—, y esa es la diferencia más pequeña de toda esta comparación. Todas las demás son mayores. Gemini 3.5 Transcribe cubre más de 85 idiomas frente a siete, identifica hasta ocho hablantes donde el modelo de Salesforce no identifica ninguno, emite marcas de tiempo a nivel de palabra y tiene un endpoint en vivo independiente para streaming. SOV-Transcribe-1 tiene pesos abiertos bajo Apache 2.0, se ejecuta en una GPU de tu propiedad y acepta una lista de palabras clave que corrige de forma medible nombres y tickers. Elegir entre ellos no es una cuestión de precisión. Es una cuestión de si estás comprando una transcripción o comprando un pipeline.

Lo que es cada uno

SOV-Transcribe-1 es el primer modelo de lenguaje aumentado con voz y de pesos abiertos de Salesforce, publicado el 12 de noviembre de 2026 como salesforce-sovereign-intelligence/SOV-Transcribe-1: un codificador Whisper large-v3 que alimenta un decodificador de mezcla de expertos Gemma 4 26B A4B, con 26,6B parámetros en total y 4,6B activos, en un checkpoint BF16 de 53 GB. No funciona en streaming, admite hasta 30 minutos de audio de 16 kHz por solicitud y se controla mediante instrucciones en el mensaje del usuario en lugar de mediante parámetros.

Gemini 3.5 Transcribe es el modelo de conversión de voz a texto alojado de Google, actualizado por última vez en agosto de 2026 y accesible a través de la API de Gemini como gemini-3.5-transcribe, con una variante hermana de streaming por WebSocket llamada gemini-3.5-transcribe-live. Acepta audio de hasta una hora por solicitud —treinta minutos cuando se activan la diarización o las marcas de tiempo— y devuelve texto junto con anotaciones por palabra. No hay pesos que descargar ni servidores que dimensionar.

La brecha de precisión, desglosada

AA-WER v2 es un compuesto ponderado: AA-AgentTalk al 50 %, VoxPopuli-Cleaned al 25 % y Earnings22-Cleaned al 25 %. Desglosar los dos modelos entre esos componentes es más informativo que el titular, porque la ventaja del modelo de Salesforce no está distribuida de manera uniforme.

• AA-AgentTalk — SOV-Transcribe-1 con un 1,79 %. Este es el conjunto sintético de conversación con ponderación de la mitad, y es donde el modelo de Salesforce es más fuerte en relación con cualquier otro elemento de la tabla.

• VoxPopuli-Cleaned — SOV-Transcribe-1 con 1.50%. Discurso parlamentario leído, y los idiomas europeos de su mezcla de entrenamiento son exactamente aquellos de los que se nutre este conjunto.

• Earnings22-Cleaned — SOV-Transcribe-1 con un 4,06 %. Llamadas de resultados reales: nombres, tickers, cifras y solapamiento de voces. La superficie donde el modelo rinde peor y la más cercana al audio empresarial.

Google no publica un desglose de componentes para Gemini 3.5 Transcribe sobre los mismos tres conjuntos, así que la afirmación honesta es que el compuesto favorece a Salesforce por 0,32 puntos y el panorama por conjunto de datos de Google no es visible públicamente. Cualquiera que afirme una victoria clara en, por ejemplo, audio de centros de llamadas está extrapolando a partir de un compuesto ponderado en un 50 % hacia conversación sintética.

Donde el modelo alojado simplemente va por delante

Cuatro capacidades del lado de Google no tienen contraparte en la versión de Salesforce, y cada una decide una categoría de producto.

• Idiomas — más de 85, con detección automática y alternancia de idiomas a mitad de sesión, frente a siete idiomas europeos. Si tu audio incluye mandarín, hindi, árabe o japonés, SOV-Transcribe-1 no es una opción y la comparación de precisión es irrelevante.

• Estructura de hablantes — diarización para hasta ocho hablantes, con la atribución más allá de tres hablantes etiquetada como experimental. SOV-Transcribe-1 no documenta diarización alguna; la transcripción de una llamada entre dos personas se devuelve como un único bloque de texto indiferenciado.

• Marcas de tiempo: salida a nivel de palabra en el endpoint por lotes. El modelo de Salesforce emite una cadena de transcripción, por lo que la generación de subtítulos o la búsqueda de cumplimiento por marca de tiempo debe construirse en etapas posteriores.

• Streaming: un endpoint en vivo dedicado con sesiones de diez minutos y transporte WebSocket bidireccional. SOV-Transcribe-1 no admite streaming de forma explícita; no hay ningún modo de transcripción parcial que activar.

Hay una quinta diferencia que no es una funcionalidad, sino una restricción. La propia documentación de Google señala que las marcas de tiempo a nivel de palabra degradan la precisión de la transcripción y son incompatibles con el vocabulario personalizado, y que la diarización también es incompatible con la ponderación del vocabulario. El modelo alojado te obliga a elegir qué capacidad quieres en cada solicitud. El modelo de Salesforce te obliga a elegir una vez, al nivel de «sin diarización, nunca».

Donde el modelo abierto va por delante, más allá de la puntuación

La respuesta obvia es la residencia de datos, y es la correcta para una gran parte de los compradores: los pesos con licencia Apache 2.0 en hardware que usted controle hacen que el audio nunca salga del edificio. Para las grabaciones de centros de llamadas en servicios financieros o sanidad, a menudo se trata de un requisito obligatorio y no de una preferencia, y ninguna API alojada lo cumple, independientemente del WER.

La respuesta menos obvia es el sesgo. En Contextual Earnings-22, SOV-Transcribe-1 eleva la F1 de palabras clave de 71,9 sin indicaciones a 96,8 cuando se le dan las palabras clave del propio clip, y se mantiene en 94,0 cuando se le entrega la lista de palabras clave de la hora completa, con la mayoría de las entradas como distractores. Gemini también ofrece sesgo de vocabulario personalizado, con hasta 1.000 términos y mejores resultados reportados en torno a 100, pero no se puede combinar con la diarización ni con las marcas de tiempo que también podrías querer. Si la precisión de entidades es el producto, ambos modelos pueden lograrla; solo uno de ellos puede hacerlo mientras también emite etiquetas de hablante.

El control de estilo es el tercero. SOV-Transcribe-1 se entrenó para recibir instrucciones —literal frente a depurado, dígitos frente a palabras, muletillas conservadas o eliminadas—, y Salesforce informa un WER consciente de las preferencias del 5,05 % con la instrucción proporcionada. El equivalente de Google es «Smart transcription», que abarca la eliminación de muletillas y el formato según la intención, pero es un modo y no una superficie de instrucciones.

La comparación de costos que realmente importa

Google publica Gemini 3.5 Transcribe a $2.00 por millón de tokens de entrada de audio y $12.00 por millón de tokens de salida, lo que la página de precios convierte en aproximadamente $0.003 por minuto de entrada y $0.002 por minuto de salida, o cerca de $0.005 por minuto combinado. El tablero de Artificial Analysis muestra el mismo modelo a $5.00 por 1,000 minutos. En cualquier caso, mil minutos de audio cuestan alrededor de cinco dólares.

SOV-Transcribe-1 no tiene precio por minuto porque Salesforce no vende ningún endpoint. La cifra comparable es el rendimiento: con soporte nativo de vLLM y el modelo draft DFlash, una RTX PRO 6000 Blackwell Server Edition transcribe hasta 1039 segundos de audio por segundo. A ese ritmo, una sola tarjeta procesa mil minutos en aproximadamente un minuto de tiempo real, así que el punto de equilibrio frente a una API de $5 por cada 1000 minutos se alcanza con cualquier volumen serio — y no se alcanza en absoluto si transcribes tres horas a la semana y tuvieras que alquilar la tarjeta por horas para hacerlo.

Esa aritmética conlleva dos salvedades. La cifra de 1.039 procede de una medición de una compilación de desarrollo de vLLM de noviembre de 2026 con max_num_seqs=64, que también es el ajuste necesario para mantener el perfilado de inicio dentro de los 96 GB una vez cargado el modelo borrador. Y la integración es un plugin fijado a vLLM 0.32.0, con el soporte nativo upstream descrito como trabajo en curso. No solo estás comprando una GPU; estás manteniendo un stack de servicio.

Reglas de decisión

Recurre a Gemini 3.5 Transcribe cuando se cumpla cualquiera de estas condiciones: el audio no está en una de siete lenguas europeas, necesitas etiquetas de hablante o marcas de tiempo como salida de primera clase, necesitas transcripciones parciales mientras el audio aún está llegando, o tu volumen es lo bastante bajo como para que una GPU nunca se amortice. El déficit de precisión de 0,32 puntos es un coste real, pero es un coste medido en una métrica compuesta ponderada a la mitad hacia conversación sintética, y a cambio te aporta cuatro capacidades que, de otro modo, tendrías que construir.

Recurra a SOV-Transcribe-1 cuando el audio sea predominantemente en inglés y tenga muchas entidades, cuando el vocabulario se conozca de antemano, cuando las grabaciones duren menos de treinta minutos y cuando «el audio permanece en nuestro hardware» sea una cláusula de un contrato y no una preferencia. La transcripción nocturna por lotes de llamadas de ventas grabadas es la carga de trabajo para la que este modelo se diseñó claramente.

Los entornos mixtos son el resultado habitual, y la parte incómoda nunca es la transcripción. Es que la transcripción alimenta a un segundo modelo —un resumidor, un clasificador, un agente de QA—, y cambiar ese consumidor implica un nuevo proveedor, una nueva clave y una nueva factura. OrcaRouter elimina ese paso: más de 200 modelos de texto, imagen y vídeo con una sola clave a los precios de lista del proveedor con un 0% de margen, de modo que el modelo que va después de la transcripción se puede cambiar o conmutar a un respaldo sin tocar en absoluto la canalización de transcripción. No aloja ninguno de los dos modelos de voz, y no necesita hacerlo. La capa de transcripción se queda donde está; el enrutamiento comienza con el texto que produce.

Lo único que no se debe hacer es tratar la diferencia de 0,32 puntos como la decisión. Es el número más pequeño de la comparación y, para la mayoría de los equipos, el de menor importancia.