SOV-Transcribe-1 vs GPT Transcribe: uno publica benchmarks, el otro publica un precio

O​penAI nunca ha publicado una tasa de error de palabras para G​PT Transcribe. El modelo aparece en la documentación de la API como una instantánea con un precio y una lista de endpoints, y ese es todo el registro público: ninguna tabla de precisión, ninguna lista de idiomas, ninguna comparación con su predecesor. Lo que significa que la única cifra defendible en esta comparación proviene del banco de pruebas de otra persona: Artificial Analysis mide G​PT Transcribe en 3,31 % de AA-WER, frente al 2,28 % de SOV-Transcribe-1, el modelo de pesos abiertos de Salesforce publicado el 12 de noviembre de 2026. Un punto completo de error de palabras los separa, y es el dato menos útil del artículo. Los datos útiles son que G​PT Transcribe transmite en tiempo real mediante una sesión WebSocket y SOV-Transcribe-1 no puede transmitir en absoluto, que uno cuesta 0,0045 $ por minuto y el otro cuesta una GPU, y que ningún proveedor te dirá cómo se comporta cualquiera de los dos modelos con tu audio.

Lo que O​penAI realmente documenta

La instantánea se llama gpt-transcribe. Gestiona archivos de audio completados, transcripciones de archivos transmitidas en streaming y turnos confirmados en sesiones de Realtime por WebSocket, por lo que el streaming es una capacidad documentada con su propio transporte, no una opción en la llamada por lotes. La página del catálogo también indica compatibilidad con contexto no estructurado, sugerencias de palabras clave y varias sugerencias de idioma, que es la misma forma de sesgo que SOV-Transcribe-1 ofrece mediante instrucciones. El precio documentado es de $0.0045 por minuto de audio, lo que equivale a $0.27 por hora de audio, y la versión práctica de esa cifra es que transcribir mil horas de llamadas grabadas cuesta $270.

Lo que está ausente es igualmente informativo. La página del modelo califica el rendimiento solo con una etiqueta cualitativa, «Highest», y la velocidad como «Medium»: ni WER, ni precisión por idioma, ni una longitud máxima de audio indicada como límite estricto, ni una tabla de evaluación que lo compare con Whisper. Whisper Large v3 Turbo, el modelo de voz más antiguo de OpenAI, tiene una ficha de modelo con secciones de limitaciones y un artículo científico que lo respalda. GPT Transcribe tiene un precio, una lista de endpoints y dos adjetivos. No es una acusación —muchos modelos en producción se lanzan sin evaluaciones publicadas—, pero cambia lo que un comprador puede verificar antes de decidirse, y por eso el banco de pruebas independiente importa más aquí que en una comparación en la que ambos proveedores publican.

El número que aparece por fuera, y cuánto peso tiene

Artificial Analysis evalúa G​PT Transcribe con el mismo compuesto de tres conjuntos que utiliza para todo en esa tabla: AA-AgentTalk con un peso del 50 %, VoxPopuli-Cleaned con un 25 % y Earnings22-Cleaned con un 25 %. G​PT Transcribe obtiene un 3,31 %. El mismo sistema de evaluación sitúa a SOV-Transcribe-1 en un 2,28 %.

Lea los componentes antes de confiar en la brecha. El 2,28 % de SOV-Transcribe-1 es una media de 1,79 % en el conjunto sintético conversacional, 1,50 % en discurso parlamentario leído y 4,06 % en llamadas de resultados reales; la diferencia entre su mejor y su peor superficie es de casi tres a uno. Si GPT Transcribe tiene una dispersión similar, y no hay ninguna razón publicada para pensar lo contrario, entonces una brecha compuesta de un punto podría ser una brecha de dos puntos en llamadas de resultados y un error de redondeo en habla leída. Nadie fuera de Artificial Analysis lo sabe, y Artificial Analysis publica compuestos, no desgloses por conjunto para cada modelo.

La segunda cifra independiente es la velocidad. El mismo panel mide G​PT Transcribe con un factor de velocidad de 43,1; es decir, 43,1 segundos de audio procesados por cada segundo de reloj. Como referencia, la misma medición sitúa a Whisper Large v3 Turbo en 339,5 y a G​emini 3.5 Transcribe en 94,4. G​PT Transcribe es el más lento de los cuatro por un amplio margen, y si estás transcribiendo un archivo en lugar de una llamada telefónica, esa es la cifra que decide la profundidad de tu cola.

De dónde vienen las cifras del modelo abierto y dónde se detienen

El 2,28 % de SOV-Transcribe-1 es independiente, pero casi todo lo demás sobre él lo reporta Salesforce. La ficha del modelo afirma una tasa de aprobación completa del 76,3 % en VoiceCodeBench, una tabla de clasificación privada, y una recuperación de entidades del 93,4 % en el mismo conjunto; un WER promedio del 8,21 % en catorce acentos del inglés en AppTek Call-Center Dialogues; y un 25,69 % en HALAS, un conjunto de llamadas de resultados centrado en alucinaciones. De esos, solo el índice compuesto de Artificial Analysis puede ser reproducido por un tercero hoy. El informe técnico está enlazado como «próximamente».

El planteamiento honesto de la comparación de precisión es asimétrico de una manera incómoda: el modelo abierto tiene una mejor puntuación independiente y una gran cantidad de afirmaciones de proveedores sin auditar, mientras que el modelo alojado tiene una peor puntuación independiente y ninguna afirmación de proveedor en absoluto. Ninguna de las dos posiciones es sólida. Si tu decisión depende de la robustez ante acentos o de la precisión de entidades, estás eligiendo entre la diapositiva de un proveedor y un silencio, y la única forma de resolverlo es ejecutar ambos con unos cientos de clips de tu propio audio.

El streaming es la diferencia que termina la conversación.

Esto no es un matiz. G​PT Transcribe abre una sesión de transcripción en tiempo real mediante WebSocket y devuelve texto parcial a medida que llega el audio. SOV-Transcribe-1 no admite streaming de forma explícita: toma una grabación completa, de hasta treinta minutos de audio mono a 16 kHz, y devuelve una transcripción completa. No hay ningún modo de salida parcial que activar ni ninguna configuración que lo produzca.

Para un producto de subtitulado en directo, un agente de voz, una capa de asistencia al agente en un centro de llamadas o cualquier caso en el que la transcripción deba existir antes de que el hablante deje de hablar, la comparación termina antes incluso de entrar a valorar la precisión. SOV-Transcribe-1 no es una opción más lenta; sencillamente no es una opción. A la inversa, si la carga de trabajo consiste en la transcripción por lotes nocturna de llamadas grabadas —que es, en realidad, la mayor parte del volumen de voz empresarial—, el streaming es una capacidad por la que pagaría y que nunca llegaría a usar, y esa ventaja de precisión de 1,03 puntos es dinero gratis.

Una segunda diferencia estructural subyace a esa. G​PT Transcribe es un endpoint gestionado: el nombre de la instantánea es fijo, el formato de respuesta es cosa de O​penAI y puede cambiar, y la versión que llames dentro de un año será el mismo nombre con las mejoras que se hayan implementado por detrás. SOV-Transcribe-1 devuelve una cadena de transcripción y nada más —sin marcas de tiempo por palabra ni etiquetas de hablante—, lo cual es un costo real, pero también significa que el formato de salida es lo que tu código posterior haga con él, y los pesos que descargaste nunca cambian a tus espaldas a menos que los reemplaces.

La comparación de costos, con la aritmética mostrada

GPT Transcribe tiene un precio por minuto de audio: 0,0045 $, es decir, 4,50 $ por mil minutos, que es exactamente la cifra que recoge el panel de Artificial Analysis. No hay contabilidad de tokens que modelar ni ningún nivel de descuento documentado.

No hay ninguna cifra por minuto en el lado de Salesforce que poner al lado, porque no hay nada que comprar por minuto. En su lugar, la tarjeta ofrece rendimiento: con soporte nativo de vLLM y el modelo draft DFlash, una RTX PRO 6000 Blackwell Server Edition transcribe hasta 1.039 segundos de audio por segundo y devuelve la transcripción de un clip de treinta segundos en 0,22 segundos. Mil minutos de audio son 60.000 segundos, así que a ese ritmo se resuelve en menos de un minuto de tiempo de GPU.

Puestos uno al lado del otro, los dos números dicen algo concreto. A $4.50 por cada mil minutos, G​PT Transcribe cuesta $4.50 por lo que el modelo abierto hace en unos 58 segundos de una sola tarjeta. Una RTX PRO 6000 alquilada cuesta unos pocos dólares por hora, así que la vía abierta es más barata a cualquier volumen sostenido —pero solo si la tarjeta está ocupada. Con tres horas de audio a la semana, la tarjeta está inactiva el 99 % del tiempo y la API es la respuesta más barata por un factor de diez, antes de contar al ingeniero que mantiene el plugin de vLLM fijado a la versión 0.32.0.

Dos advertencias sobre la cifra de rendimiento, ambas procedentes de la ficha del modelo. Se trata de una medición de una compilación de desarrollo de noviembre de 2026, y requiere max_num_seqs=64 para mantener el perfilado de arranque dentro de los 96 GB de la tarjeta una vez cargado el modelo borrador. El valor predeterminado de 1024 secuencias concurrentes no cabrá. Estás dimensionando un servidor, no llamando a un endpoint.

El camino intermedio, y dónde encaja un router

La mayoría de los equipos que acaban aquí no se deciden por uno. Mantienen la API alojada para todo lo interactivo y añaden el modelo abierto para el backlog del archivo, lo que implica dos rutas de transcripción, dos formatos de salida y dos centros de coste; y luego, por lo general, un único modelo de texto aguas abajo que tiene que resumir, clasificar o recuperar sobre ambos.

Ese último salto es el que merece la pena enrutar. OrcaRouter pone más de 200 modelos de texto, imagen y vídeo detrás de una única clave al precio de lista del proveedor con un 0 % de margen, de modo que el resumidor o el clasificador que lee cualquiera de las transcripciones se puede cambiar, comparar o conmutar en caso de fallo sin necesidad de un nuevo contrato, y una rebaja de precio del proveedor en ese modelo de texto llega el mismo día en que aparece en la tarifa del propio proveedor. No aloja G​PT Transcribe ni SOV-Transcribe-1; ninguno de esos modelos de voz es algo que ofrezcamos, y el enrutamiento comienza con el texto que producen. Lo que eso aporta es que la decisión de transcripción deja de estar ligada a la decisión de análisis.

¿Quién debería elegir cuál?

Elige GPT Transcribe cuando la transcripción tenga que existir mientras el audio aún se está reproduciendo, cuando no tengas capacidad de operaciones de GPU ni ganas de construirla, cuando el volumen sea lo bastante modesto como para que $0,27 por hora de audio sea un error de redondeo frente al tiempo de ingeniería, o cuando simplemente necesites un proveedor con un contrato de soporte detrás del endpoint. Acepta la brecha de precisión de 1,03 puntos como el precio de eso, y ten en cuenta que, a 43,1 veces la velocidad en tiempo real, no deberías planear rellenar un archivo grande a través de él.

Elige SOV-Transcribe-1 cuando el audio sea predominantemente en inglés, tenga menos de treinta minutos por archivo y se necesite a posteriori en lugar de durante el proceso; cuando las grabaciones no puedan salir de tu infraestructura; cuando el vocabulario se conozca de antemano y pueda entregarse como una lista de pistas, donde Salesforce informa que el F1 de palabras clave aumenta de 71.9 a 96.8 en Contextual Earnings-22; y cuando ya ejecutes GPUs para otra cosa, de modo que el costo marginal de la tarjeta sea casi cero.

Lo que no deberías hacer es centrarte en el 3,31 % frente al 2,28 %. Esas dos cifras provienen de un mismo arnés de evaluación, con una única ponderación compuesta y sin que se haya publicado el desglose por conjunto de ninguno de los dos modelos. Bastan para decir que el modelo abierto probablemente sea más preciso en habla conversacional y leída en inglés. No bastan para decir cuánto más preciso sería con tu audio, y las capacidades que GPT Transcribe tiene y SOV-Transcribe-1 no —streaming, un endpoint gestionado, pistas de palabras clave e idioma sin una pila de servicio, y un contrato con proveedor que respalda el tiempo de actividad— no las mide el WER en absoluto.