SOV-Transcribe-1 vs Whisper Large v3 Turbo: ¿Cuánto valen dos años y 2,3 puntos de WER?

Whisper Large v3 Turbo no es competidor de SOV-Transcribe-1 en ningún sentido comercial. Es el incumbent: un checkpoint de 809M de parámetros con licencia MIT publicado en octubre de 2024 que se encuentra discretamente bajo una gran parte de todos los productos de transcripción lanzados desde entonces, y que todavía aparece en endpoints alojados a $0.67 por mil minutos. SOV-Transcribe-1 es el retador, publicado por Salesforce el 12 de noviembre de 2026, y obtiene un 2,28 % frente al 4,62 % de Whisper Large v3 Turbo en el compuesto de Artificial Analysis. Así que la pregunta no es qué modelo es mejor. Es si reducir a la mitad la tasa de error merece una descarga de 53 GB, una GPU de 96 GB y una pila de servicio, cuando la alternativa cabe en la memoria de un portátil y cuesta centavos por hora de audio.

Lo que realmente han comprado dos años de progreso

Whisper Large v3 Turbo es un Whisper large-v3 podado, con el decodificador reducido de 32 capas a 4. La propia model card de OpenAI es sorprendentemente directa al respecto: «exactamente el mismo modelo, salvo que el número de capas de decodificación se ha reducido de 32 a 4. Como resultado, el modelo es mucho más rápido, a costa de una ligera degradación de la calidad». Esa frase describe una decisión de compresión, no una arquitectura.

SOV-Transcribe-1 representa el otro tipo de cambio. Salesforce conservó un codificador de Whisper large-v3 —el mismo front end— y sustituyó el decodificador de cuatro capas por un modelo de lenguaje de mezcla de expertos Gemma 4 26B A4B detrás de un proyector. La percepción de audio se hereda de Whisper. Lo que convierte el audio en palabras es un modelo de lenguaje de propósito general treinta veces más grande que todo el checkpoint Whisper turbo.

• Parámetros — Whisper Large v3 Turbo 809M frente a SOV-Transcribe-1 26.6B en total, 4.6B activos.

• Decodificador — 4 capas Transformer frente a una mezcla de expertos de 26B con 4.6B activos por token.

Tamaño del checkpoint — menos de 2 GB frente a aproximadamente 53 GB en BF16.

• Idiomas — alrededor de un centenar frente a siete. Este va en la dirección contraria, y va con fuerza.

• Marcas de tiempo — salida a nivel de oración y de palabra integrada en el bucle de decodificación frente a ninguna documentada.

• Licencia — MIT frente a Apache 2.0. Ambas permisivas; MIT es ligeramente más simple.

• Hardware — CPU o una GPU pequeña frente a una tarjeta de clase RTX PRO 6000 con 96 GB para la configuración con borrador habilitado.

Esa última frase es todo el argumento en miniatura. Un modelo funciona en cualquier parte; el otro funciona en un componente de servidor que cuesta más que la factura anual completa de la nube de la mayoría de los proyectos de transcripción.

La aritmética del error que nadie hace

La tasa de error de palabras es una abstracción hasta que se convierte en correcciones. Tome un corpus de mil minutos de habla en inglés a un ritmo conversacional de 150 palabras por minuto: 150.000 palabras. Con un 4,62 %, Whisper Large v3 Turbo produce aproximadamente 6.900 palabras incorrectas, omitidas o insertadas. Con un 2,28 %, SOV-Transcribe-1 produce aproximadamente 3.400. La diferencia son unas 3.500 palabras que una persona no tiene que encontrar y corregir.

Ahora pongamos precio a la corrección. Un editor cuidadoso coteja la transcripción con el audio a unas 200 o 400 palabras por minuto, así que 3.500 errores menos supone entre nueve y dieciocho minutos de revisión humana ahorrados por cada mil minutos de audio. Con una tarifa cargada de 30 dólares la hora, eso son entre 4,50 y 9,00 dólares, frente a un coste de transcripción, en el caso de Whisper alojado, de 0,67 dólares.

Esa comparación es la razón por la que la mayoría de los equipos nunca migran. El coste humano de los errores domina el coste de máquina de la transcripción en un orden de magnitud, así que un modelo que reduzca los errores a la mitad debería valer diez veces el precio y, en la práctica, compite contra un precio que ya es insignificante. La excepción es cualquier flujo de trabajo en el que nadie revise la salida en absoluto —indexación automatizada, búsqueda, analítica, resúmenes que alimentan otros procesos—, porque ahí los errores no se corrigen, se propagan a lo que lea la transcripción a continuación, y el coste de segundo orden es el que duele.

El índice en el que se basan ambas puntuaciones es en sí mismo una mezcla —la mitad conversación sintética de agentes, un cuarto discurso parlamentario leído y un cuarto llamadas de resultados reales—, y los dos modelos se comportan de manera muy diferente en cada tercio. Los componentes de Whisper Large v3 Turbo son 3,52 %, 3,97 % y 7,49 %, respectivamente; los de SOV-Transcribe-1 son 1,79 %, 1,50 % y 4,06 %. La diferencia es mayor en el discurso parlamentario leído —1,50 % frente a 3,97 %, un factor de 2,6— y menor en las llamadas de resultados, donde ambos modelos tienen dificultades y la diferencia es de 4,06 % frente a 7,49 %. Si tu audio es discurso leído limpio, la mejora es drástica. Si es audio financiero desordenado con varios hablantes, ambos modelos son malos y el más nuevo simplemente es menos malo.

Por qué Whisper sigue ganando la factura

Empieza por la comparación de servicios alojados, porque es la que la mayoría de los equipos realmente enfrenta. Whisper Large v3 Turbo está disponible a $0.67 por cada mil minutos en al menos un proveedor de alojamiento del tablero de Artificial Analysis, con un factor de velocidad medido de 339.5, es decir, 339.5 segundos de audio por segundo de reloj. SOV-Transcribe-1 no tiene ningún precio alojado por minuto. Salesforce publicó pesos, no un endpoint, y nada en el tablero incluye una cifra por cada 1000 minutos para él.

Así que la comparación pasa a ser dólares frente a horas de GPU, y la ficha del modelo ofrece cifras inusualmente completas para ello. Con compatibilidad nativa con vLLM y el modelo borrador DFlash, una RTX PRO 6000 Blackwell Server Edition transcribe hasta 1.039 segundos de audio por segundo. Si se hace funcionar esa tarjeta al máximo durante una hora, procesa 3,74 millones de segundos de audio —62.340 minutos—. A un par de dólares por hora de alquiler, eso es del orden de tres centavos por cada mil minutos de audio, veinte veces más barato que el endpoint de Whisper alojado más barato de la lista.

Ese número es real y también es el número más engañoso de este artículo, porque supone que la tarjeta nunca está inactiva. La transcripción de voz es a ráfagas: llega un acumulo de trabajo durante la noche, se despeja y luego la GPU permanece con una utilización de cero durante veinte horas. A 1.039 segundos de audio por segundo, una sola tarjeta despeja mil horas de audio en menos de una hora. Casi nadie tiene mil horas de audio al día. La conclusión honesta es que autoalojar cualquiera de los dos modelos es una decisión económica sobre la utilización, no sobre el tamaño, y que, una vez que has decidido ejecutar una tarjeta, el coste marginal del modelo mejor es cercano a cero.

Tres cosas que Whisper hace que el nuevo modelo no puede hacer

La cobertura de idiomas es lo primero, y no hay punto de comparación. La ficha del modelo Whisper Large v3 Turbo enumera cerca de cien idiomas, desde inglés y mandarín hasta galés, maltés, hawaiano, lao y sundanés. SOV-Transcribe-1 cubre inglés, francés, alemán, español, italiano, portugués y neerlandés. Para cualquier equipo cuyo audio no sea europeo, esta comparación no tiene segunda parte: Whisper no es la opción económica, es la única opción entre las dos.

Las marcas de tiempo son lo segundo. El bucle de decodificación de Whisper las predice de forma nativa, y el pipeline de Transformers las expone a granularidad de frase o palabra mediante un único argumento; así es como se han construido subtítulos, marcadores de capítulo y búsqueda de cumplimiento sobre Whisper durante dos años. La ficha de SOV-Transcribe-1 documenta transcripción, control de estilo y sesgo de contexto, y nada sobre marcas de tiempo. Recuperarlas aguas abajo significa ejecutar un alineador forzado sobre la salida, que es otro modelo, otra dependencia y otra fuente de error.

La traducción de voz es la tercera. Whisper puede tomar audio en cualquiera de sus idiomas de origen y emitir texto en inglés directamente, como una tarea de decodificación en lugar de una segunda etapa del pipeline. SOV-Transcribe-1 transcribe en el idioma hablado. Si necesitas subtítulos para un documental japonés, Whisper lo hace en una sola llamada y el modelo de Salesforce no puede hacerlo en absoluto.

Las debilidades documentadas de Whisper merecen la misma atención, ya que son el argumento más sólido para migrar. La propia ficha de OpenAI advierte que el modelo alucina —genera texto que no se pronunció— porque se entrenó con datos ruidosos y con supervisión débil, y que esto es peor en lenguas de bajos recursos. También señala que la arquitectura de secuencia a secuencia es propensa a la repetición, mitigada solo en parte por la búsqueda por haces y el respaldo por temperatura. Esos son exactamente los modos de fallo que hacen peligroso un pipeline sin revisión, y a eso apuntaron dos años de trabajo de arquitectura.

Así es una migración real

Casi nadie sustituye Whisper por SOV-Transcribe-1. Se enrutan entre ambos, y la regla de enrutamiento se deduce sola de las especificaciones: si el audio está en inglés o en uno de los otros seis idiomas cubiertos, tiene un solo hablante, dura menos de treinta minutos y tiene alta densidad de entidades, envíalo al modelo abierto con una lista de pistas; de lo contrario, déjalo en Whisper. El resultado de Contextual Earnings-22 de Salesforce —la F1 de palabras clave, que pasa de 71.9 sin pistas a 96.8 con las palabras clave del propio clip, y se mantiene en 94.0 cuando se le entrega como distractores la lista de palabras clave de toda la hora— es la capacidad específica que hace que merezca la pena el reparto, porque es lo único que el sesgo mediante prompt de prefijo de Whisper no hace ni de lejos tan bien.

El coste de esa división es una infraestructura duplicada y dos formatos de salida: SOV-Transcribe-1 devuelve una cadena de transcripción, Whisper devuelve texto más fragmentos con marcas de tiempo, y todo lo que está aguas abajo tiene que aceptar ambos. En la práctica, la mayoría de los equipos normalizan a su propio esquema de transcripción en el límite y dejan de preocuparse por qué modelo lo generó.

Lo que ocurre después de la transcripción es la parte que escala con el volumen, y es ahí donde encaja un enrutador y no un segundo proveedor de voz: OrcaRouter pone más de 200 modelos de texto, imagen y vídeo detrás de una sola clave con los precios de lista del proveedor y un 0 % de recargo, de modo que el generador de resúmenes, el indexador o el clasificador que consuma cualquiera de las transcripciones se pueda sustituir o conmutar a un respaldo sin un contrato nuevo — y una rebaja de precio del proveedor en ese modelo está activa aquí el mismo día. Ni Whisper Large v3 Turbo ni SOV-Transcribe-1 se sirven a través de él; ambos son pesos que ejecutas tú mismo, y el enrutamiento empieza con el texto que emiten.

¿Qué haría que esta comparación quedara obsoleta?

Dos cosas, y ambas son plausibles dentro de un ciclo de lanzamiento. La primera es un checkpoint SOV cuantizado. La ventaja práctica de Whisper Large v3 Turbo es que cabe en cualquier sitio; una versión de 4 bits de un modelo de 26,6B seguiría exigiendo una GPU potente, pero un lanzamiento FP8 o NVFP4 —del tipo que NVIDIA publicó desde el primer día para Nemotron 3.5 Transcribe— trasladaría el modelo de Salesforce de "componente de centro de datos" a "componente de estación de trabajo" y eliminaría gran parte de la objeción sobre el despliegue. Salesforce ya ha publicado una versión MLX de 4 bits, lo que sugiere la dirección.

Lo segundo son las marcas de tiempo y la diarización llegando en una versión puntual. Ambas están llamativamente ausentes, ambas son requisitos imprescindibles para productos de reuniones y medios, y ambas son exactamente el tipo de cosa que añade una ficha de modelo v0.2. Si llegan a implementarse, la única razón que queda para usar Whisper son los cien idiomas, y para una gran parte de los equipos, esa es la única razón por la que lo usan ahora.

Hasta entonces, la división es estable y fácil de justificar: Whisper Large v3 Turbo sigue siendo el predeterminado correcto para cualquier cosa multilingüe, con marcas de tiempo, de cola larga o limitada por CPU, y SOV-Transcribe-1 es el especialista al que recurres cuando el audio está en inglés, el vocabulario es conocido y nadie va a leer la salida antes de que lo haga una máquina.