SOV-Transcribe-1 vs Nemotron 3.5 Transcribe: quince días de diferencia, y solo uno de ellos es un producto

El reconocimiento de voz de pesos abiertos cambió de manos dos veces en una quincena. NVIDIA publicó Nemotron 3.5 Transcribe el 28 de octubre de 2026; Salesforce publicó SOV-Transcribe-1 el 12 de noviembre. En el compuesto de Artificial Analysis, gana el modelo más reciente: SOV-Transcribe-1 con 2,28 % de AA-WER frente a Nemotron 3.5 Transcribe con 2,81 %. Ese es todo el argumento de venta, y es más débil de lo que parece. NVIDIA lanzó diarización de hablantes, marcas de tiempo por palabra, cuarenta idiomas, grabaciones de una hora, tres formatos de cuantización, un informe técnico publicado y un stack de servicio con una guía práctica. Salesforce lanzó el mejor número del tablero y una tarjeta de modelo que dice que el informe técnico está por llegar. Si eliges un modelo para incorporarlo a un producto en lugar de a una tabla de clasificación, la brecha de precisión no es el eje que importa.

Dos arquitecturas, dos apuestas completamente diferentes

Nemotron 3.5 Transcribe es un modelo de lenguaje de mezcla de expertos híbrido de Mamba-2 y Transformer —Nemotron 3.5 Lightning 30B A3B— equipado con un codificador de expertos paralelo: un codificador ASR Transformer de aproximadamente 600M de parámetros y un codificador de hablante independiente de 99M de parámetros, además de una cabeza CTC para la alineación temporal. Treinta y cuatro mil millones de parámetros en total, 4.3B activos incluido el codificador de audio.

SOV-Transcribe-1 va en la dirección opuesta. Toma un codificador Whisper large-v3 listo para usar, le acopla un proyector y pasa el resultado a un decodificador Gemma 4 26B A4B: 26,6B en total, 4,6B activos. Donde NVIDIA construyó un front end de voz y le adjuntó su propio modelo de lenguaje, Salesforce adjuntó un modelo de lenguaje de propósito general a un front end de voz que todo el mundo ya tiene. Por eso el checkpoint SOV es de 53 GB en BF16 y la versión BF16 de Nemotron necesita una H100 de 80 GB: el modelo de Salesforce tiene menos peso total y lo presenta en un formato para el que todavía no se ha publicado ninguna variante cuantizada.

• Total de parámetros — SOV-Transcribe-1 26.6B frente a Nemotron 3.5 Transcribe 34B, ambos contando el codificador de audio.

• Parámetros activos: 4,6B frente a 4,3B. En la práctica, un empate, que es lo interesante: Salesforce obtiene una tasa de error más baja con un conjunto activo marginalmente más grande y uno total sustancialmente más pequeño.

• Límite de audio — 30 minutos frente a 1 hora, con un contexto de 65.536 tokens en el lado de NVIDIA.

• Idiomas — 7 europeos frente a 40, con alternancia de código compatible en toda la matriz de Nemotron.

• Precisión — solo BF16 (router FP32) frente a checkpoints BF16, FP8 y NVFP4, el último de los cuales se ejecuta en una RTX 5090.

• Licencia: Apache 2.0 frente a OpenMDW-1.1. Apache es mucho más permisiva que la otra, y para algunos equipos jurídicos eso por sí solo decide la cuestión.

Un benchmark que ambos proveedores ejecutaron, con cifras que no coinciden

Esta es la comparación más útil del artículo, porque es el único lugar donde las dos fichas de modelo pueden ponerse una al lado de la otra en la misma prueba. VoiceCodeBench mide la transcripción de valores estructurados —direcciones de correo electrónico, rutas de archivos, identificadores, números de cuenta— y reporta dos métricas: coincidencia de tokens canónicos y entidades, que indica qué proporción del contenido objetivo se recuperó, y tasa de éxito de tareas, que es la proporción de grabaciones en las que todos los valores objetivo resultaron correctos.

La ficha de NVIDIA publica ambos datos: 88,53% de CTEM y 59,33% de TSR, además de una tasa de error de palabras del 8,38% en el conjunto. La ficha de Salesforce publica dos cifras para el mismo benchmark: 76,3% que supera todas las entidades objetivo y 93,4% de entidades recuperadas, descritas como primeras entre sistemas de pesos abiertos y segundas de 23 en total. Esas cifras se corresponden con TSR y CTEM respectivamente, y la correspondencia no funciona. Salesforce afirma un 76,3% de aprobación completa donde NVIDIA reporta un 59,33% en la misma métrica, y afirma un 93,4% de recuperación de entidades donde NVIDIA reporta un 88,53%.

Hay explicaciones inocentes. VoiceCodeBench es una tabla de clasificación privada gestionada por un tercero, las puntuaciones se versionan a lo largo del tiempo y es posible que los dos proveedores hayan enviado instantáneas diferentes. También hay una no inocente: uno de los dos números se describe con más confianza de la que respaldan los propios informes del benchmark. Lo que un lector puede concluir es limitado y merece decirse con claridad: en el único benchmark de valores estructurados contra el que se evaluó a ambos modelos, el modelo de Salesforce parece ser considerablemente mejor a la hora de acertar todos los valores, y el tamaño de esa ventaja se disputa entre cinco y diecisiete puntos, según la ficha que se lea.

Lo que NVIDIA lanzó y Salesforce no

La diferencia aquí no es incremental. Son capacidades, no puntuaciones, y cada una elimina una parte del trabajo posterior que, de otro modo, tendrías que construir.

Transcripción con atribución de hablante — una evaluación completa multihablante en AMI, CALLHOME, Mixer 6 y NOTSOFAR-1, con un cpWER medio de 15.80 y resultados por condición que llegan hasta casos individuales de micrófono lejano. SOV-Transcribe-1 no documenta diarización en absoluto.

• Marcas de tiempo por palabra: una cabeza de alineación CTC que devuelve el texto de la palabra con tiempos de inicio y fin, un mapa de segmentos de diarización y un campo de error de alineación. La tarjeta de Salesforce devuelve una cadena de transcripción.

• Traducción de voz, identificación de idioma y respuesta a preguntas de audio — tareas separadas con sus propios benchmarks, incluida una identificación de idioma FLEURS del 100 % en varios idiomas. SOV-Transcribe-1 transcribe en siete idiomas y se detiene ahí.

• Un informe técnico — publicado como PDF, con la composición de los datos de entrenamiento desglosada hasta indicar qué corpus se licenciaron y de quién. Salesforce enlaza su informe como «próximamente».

• Una escalera de cuantización y un recetario de servicio — NVFP4 en Blackwell de consumo, una ruta SGLang-Omni, GGML en Windows nativo. La integración de Salesforce es un complemento de vLLM fijado a la 0.32.0, con el soporte upstream descrito como trabajo en curso.

La advertencia honesta sobre esa lista es que la amplitud y la profundidad se compensan mutuamente. Un modelo entrenado en 40 idiomas y siete familias de tareas reparte su capacidad; uno entrenado en siete idiomas europeos y únicamente en transcripción puede dedicarle toda ella a eso. La brecha compuesta de 0,53 puntos es exactamente cómo se ve esa compensación cuando da sus frutos.

Los números de servicio, léalos con atención.

Ambos proveedores realizan sus pruebas de rendimiento sobre la misma tarjeta, lo que hace que esta comparación sea inusualmente limpia — e inusualmente fácil de malinterpretar.

• Salesforce, SOV-Transcribe-1 — hasta 1.039 segundos de audio por segundo en una única RTX PRO 6000 Blackwell Server Edition, con el modelo draft DFlash habilitado, sobre una compilación de desarrollo de vLLM, con max_num_seqs=64.

• {{1}}NVIDIA, Nemotron 3.5 Transcribe{{/1}} — hasta {{2}}2.238 segundos de audio por segundo{{/2}} en la misma tarjeta en NVFP4 con {{3}}decodificación especulativa DFlash2{{/3}}, devolviendo {{4}}la transcripción de un clip de 30 segundos en 0,13 segundos{{/4}}.

La cifra de NVIDIA es más del doble, y NVIDIA explica por qué en su propia ficha: esas optimizaciones están en Nemotron Transcribe NIM y no están en la versión de código abierto, que la ficha describe como aproximadamente dos veces más lenta y destinada al desarrollo de modelos. Por lo tanto, la comparación equivalente —vLLM abierto frente a vLLM abierto, en una sola tarjeta— es de aproximadamente 1.119 frente a 1.039 segundos de audio por segundo. NVIDIA sigue por delante, por alrededor del ocho por ciento, y lo está mientras además es el modelo con etiquetas de hablante y marcas de tiempo en el flujo de salida.

Lo que eso significa para un comprador es que ninguno de los dos modelos se elige por su rendimiento. Ambos saturan una tarjeta moderna; ambos necesitan una dedicada. La decisión es qué salida necesitas y qué descarga puedes ejecutar, y en la segunda cuestión Nemotron gana de forma rotunda, porque un checkpoint NVFP4 se ejecuta en hardware que cuesta una fracción de lo que cuesta un componente de servidor de 96 GB, mientras que el modelo de Salesforce no tiene ninguna versión cuantizada que ejecutar.

Donde SOV-Transcribe-1 es realmente la mejor opción

Tres casos, y el primero es el obvio. Si el inglés es el idioma y la precisión de entidades es el producto, 2,28 % frente a 2,81 % en el compuesto es una diferencia real, y la superficie más débil del modelo de Salesforce —4,06 % en Earnings22-Cleaned— sigue siendo mejor que lo que el compuesto implica para la competencia. En Contextual Earnings-22, SOV-Transcribe-1 informa que la F1 de palabras clave sube de 71,9 a 96,8 con las propias pistas del clip y se mantiene en 94,0 cuando se le da la lista de palabras clave de la hora completa como distractores. NVIDIA informa sus propios números de Contextual Earnings22 en tasa de error de palabra en lugar de F1, del 12,54 % sin contexto al 9,58 % local, así que los dos no son directamente comparables —pero la forma del resultado, que las listas de pistas ayudan y que las listas de pistas con muchos distractores siguen ayudando, es la misma en ambos.

El segundo caso es la licencia. Apache 2.0 frente a OpenMDW-1.1 no es una formalidad para una empresa cuyo departamento jurídico tiene opiniones sobre las obras derivadas. Si tiene la intención de realizar un ajuste fino y redistribuir, o de incorporar el modelo en un producto que distribuya, la vía de Apache es más corta.

El tercero es la simplicidad del alcance. Un modelo que hace una sola cosa devuelve una sola cosa, y es más fácil razonar sobre un pipeline que espera una cadena de transcripción que sobre uno que recibe un objeto estructurado con etiquetas de hablante, marcas de tiempo y un campo de error de alineación que quizá no necesite. Los equipos que quieren encargarse de su propia diarización —porque ya ejecutan un modelo de embeddings de hablante en el que confían— obtienen una entrada más limpia del modelo más acotado.

Elegir entre ellos sin una tabla de clasificación

Si el audio es una reunión, una llamada con más de una voz o cualquier cosa en la que «quién lo dijo» forme parte del entregable, la respuesta es Nemotron 3.5 Transcribe y la cuestión de la precisión es irrelevante: SOV-Transcribe-1 no puede producir ese campo. Si el audio no está en inglés, se aplica lo mismo, de forma aún más marcada. Si las grabaciones superan los treinta minutos o necesitan ejecutarse en hardware más pequeño que una tarjeta de centro de datos, de nuevo NVIDIA.

Si el audio está en inglés, es de un solo hablante o ya viene diarizado desde la fase previa, dura menos de media hora y el entregable es texto con los nombres propios correctos, SOV-Transcribe-1 es el transcriptor más preciso disponible hoy y la licencia Apache elimina una negociación. Se trata de un conjunto de cargas de trabajo más reducido de lo que implicaba la cobertura del lanzamiento, y es real.

Los pipelines mixtos también son el resultado habitual aquí, y plantean una pregunta práctica que ninguna de las fichas de modelo aborda: qué lee la transcripción después. OrcaRouter pone más de 200 modelos de texto, imagen y vídeo detrás de una sola clave al precio de lista del proveedor con un 0 % de margen, para que el resumidor o extractor posterior pueda sustituirse o conmutarse a un respaldo sin necesidad de un segundo contrato —útil cuando todavía se está decidiendo la fuente de la transcripción. Ninguno de estos modelos de voz se sirve a través de él, y no afirmamos lo contrario; el enrutamiento empieza donde lo hace el texto.

Lo que ha cambiado en las dos semanas transcurridas entre estos dos lanzamientos no es qué modelo encabeza la tabla de pesos abiertos. Es que la tabla ya no tiene una respuesta clara, y la respuesta ahora depende de si compras un transcriptor o un pipeline de transcripciones. NVIDIA vende el segundo. Salesforce publicó el primero, y lo hizo extremadamente bien.