SOV-Transcribe-1 vs Gemini 3.5 Transcribe : trois dixièmes de point, et tout le reste

Dans le classement vocal d’Artificial Analysis, les deux modèles sont séparés de 0,32 point de pourcentage — SOV-Transcribe-1 à 2,28 % de AA-WER, Gemini 3.5 Transcribe à 2,60 % — et c’est l’écart le plus faible de toute cette comparaison. Tous les autres écarts sont plus importants. Gemini 3.5 Transcribe couvre plus de 85 langues contre sept, identifie jusqu’à huit locuteurs là où le modèle Salesforce n’en identifie aucun, produit des horodatages au niveau du mot et dispose d’un point de terminaison live distinct pour le streaming. SOV-Transcribe-1 est en open weights sous Apache 2.0, s’exécute sur un GPU que vous possédez et accepte une liste de mots-clés qui corrige de manière mesurable les noms et les tickers. Choisir entre les deux n’est pas une question de précision. C’est une question de savoir si vous achetez une transcription ou un pipeline.

Ce que chacun est

SOV-Transcribe-1 est le premier modèle de langage augmenté par la parole à poids ouverts de Salesforce, publié le 12 novembre 2026 sous le nom salesforce-sovereign-intelligence/SOV-Transcribe-1 : un encodeur Whisper large-v3 alimentant un décodeur à mélange d'experts Gemma 4 26B A4B, avec 26,6 milliards de paramètres au total et 4,6 milliards actifs, dans un point de contrôle BF16 de 53 Go. Il fonctionne en mode non-streaming, traite jusqu'à 30 minutes d'audio à 16 kHz par requête et est contrôlé par des instructions dans le message de l'utilisateur plutôt que par des paramètres.

Gemini 3.5 Transcribe est le modèle hébergé de transcription audio de Google, mis à jour pour la dernière fois en août 2026 et accessible via l’API Gemini sous le nom gemini-3.5-transcribe, avec une variante de streaming WebSocket appelée gemini-3.5-transcribe-live. Il accepte des fichiers audio allant jusqu’à une heure par requête — trente minutes lorsque la diarisation ou les horodatages sont activés — et renvoie du texte ainsi que des annotations par mot. Aucun poids n’est à télécharger et aucun serveur n’est à dimensionner.

L'écart de précision, décomposé

AA-WER v2 est un composite pondéré : AA-AgentTalk à 50 %, VoxPopuli-Cleaned à 25 %, Earnings22-Cleaned à 25 %. Répartir les deux modèles sur ces composantes est plus instructif que le résultat global, car l’avantage du modèle Salesforce n’est pas uniformément réparti.

• AA-AgentTalk — SOV-Transcribe-1 à 1,79 %. Il s’agit de l’ensemble conversationnel synthétique à demi pondéré, et c’est là que le modèle Salesforce est le plus performant par rapport à tout le reste du tableau.

• VoxPopuli-Cleaned — SOV-Transcribe-1 à 1,50 %. Il s'agit de discours parlementaires, et les langues européennes de son mélange d'entraînement sont exactement celles dont ce jeu de données est issu.

• Earnings22-Cleaned — SOV-Transcribe-1 à 4,06 %. De véritables appels de résultats : noms, symboles boursiers, chiffres, chevauchements de parole. Le domaine le plus faible du modèle, et celui qui est le plus proche de l’audio d’entreprise.

Google ne publie pas de décomposition par composant pour Gemini 3.5 Transcribe sur les mêmes trois ensembles ; l’affirmation honnête est donc que le score composite favorise Salesforce de 0,32 point et que le détail par jeu de données pour Google n’est pas publiquement visible. Quiconque affirme une victoire nette sur, disons, l’audio de centre d’appels extrapole à partir d’un composite dont la moitié du poids va à la conversation synthétique.

Là où le modèle hébergé est tout simplement en avance

Quatre fonctionnalités côté Google n'ont pas d'équivalent dans la version Salesforce, et chacune d'elles détermine une catégorie de produit.

• Langues — plus de 85, avec détection automatique et alternance codique en cours de session, contre sept langues européennes. Si votre audio comprend du mandarin, de l’hindi, de l’arabe ou du japonais, SOV-Transcribe-1 n’est pas un candidat et la comparaison de précision est sans objet.

• Structure des intervenants — diarisation jusqu’à huit intervenants, l’attribution au-delà de trois intervenants étant qualifiée d’expérimentale. SOV-Transcribe-1 ne documente aucune diarisation ; la transcription d’un appel à deux personnes revient sous forme d’un bloc de texte indifférencié.

• Horodatages — sortie au niveau des mots sur le point de terminaison par lots. Le modèle de Salesforce produit une chaîne de transcription, de sorte que la génération de sous-titres ou la recherche de conformité par horodatage doit être mise en place en aval.

• Streaming — un point de terminaison live dédié avec des sessions de dix minutes et un transport WebSocket bidirectionnel. SOV-Transcribe-1 est explicitement non-streaming ; il n’existe aucun mode de transcription partielle à activer.

Il existe une cinquième différence qui n’est pas une fonctionnalité mais une contrainte. La documentation de Google signale elle-même que les horodatages au niveau des mots dégradent la précision de la transcription et sont incompatibles avec un vocabulaire personnalisé, et que la diarisation est également incompatible avec le biais de vocabulaire. Le modèle hébergé vous oblige à choisir la capacité souhaitée à chaque requête. Le modèle Salesforce vous oblige à choisir une fois pour toutes, au niveau « aucune diarisation, jamais ».

Là où le modèle ouvert est en avance, au-delà du score

La réponse évidente est la résidence des données, et c’est la bonne pour une grande partie des acheteurs : des poids Apache 2.0 sur du matériel que vous contrôlez signifient que l’audio ne quitte jamais vos locaux. Pour les enregistrements de centres d’appels dans les services financiers ou la santé, il s’agit souvent d’une exigence absolue plutôt que d’une préférence, et aucune API hébergée n’y satisfait, quel que soit le WER.

La réponse moins évidente tient au biais de vocabulaire. Sur Contextual Earnings-22, SOV-Transcribe-1 fait passer le F1 des mots-clés de 71,9 sans indices à 96,8 lorsque lui sont fournis les mots-clés propres au clip, et reste à 94,0 lorsqu'on lui donne la liste de mots-clés de l'heure complète, la plupart des entrées étant des distracteurs. Gemini propose aussi un biais de vocabulaire personnalisé, jusqu'à 1 000 termes, les meilleurs résultats étant rapportés autour de 100 — mais il ne peut pas être combiné avec la diarisation ou les horodatages dont vous pourriez aussi avoir besoin. Si l'exactitude des entités est le produit visé, les deux modèles peuvent le faire ; un seul peut le faire tout en émettant également des étiquettes de locuteur.

Le contrôle du style est le troisième. SOV-Transcribe-1 a été entraîné à suivre des instructions — verbatim ou nettoyé, chiffres ou mots, mots de remplissage conservés ou supprimés — et Salesforce rapporte un WER tenant compte des préférences de 5,05 % avec l’instruction donnée. L’équivalent de Google est « Smart transcription », qui couvre la suppression des mots de remplissage et le formatage en fonction de l’intention, mais c’est un mode plutôt qu’une surface d’instruction.

La comparaison des coûts qui compte vraiment

Google publie Gemini 3.5 Transcribe à 2,00 $ par million de tokens d'entrée audio et 12,00 $ par million de tokens de sortie, ce que la page de tarification convertit en environ 0,003 $ par minute en entrée et 0,002 $ par minute en sortie, soit environ 0,005 $ par minute en combiné. Le tableau d'Artificial Analysis affiche le même modèle à 5,00 $ pour 1 000 minutes. Dans les deux cas, mille minutes d'audio coûtent environ cinq dollars.

SOV-Transcribe-1 n'a pas de prix à la minute, car Salesforce ne vend aucun point de terminaison. Le chiffre comparable est le débit : avec la prise en charge native de vLLM et le modèle de brouillon DFlash, une RTX PRO 6000 Blackwell Server Edition transcrit jusqu'à 1 039 secondes d'audio par seconde. À ce rythme, une seule carte traite mille minutes en environ une minute de temps réel, de sorte que le point d'équilibre face à une API à 5 $ les 1 000 minutes est atteint à tout volume sérieux — et ne l'est jamais si vous transcrivez trois heures par semaine et devez louer la carte à l'heure pour ce faire.

Deux réserves accompagnent ce calcul. Le chiffre de 1 039 provient d’une mesure effectuée sur une version de développement de vLLM en novembre 2026 avec max_num_seqs=64, qui est aussi le réglage nécessaire pour maintenir le profilage au démarrage sous 96 Go une fois le modèle draft chargé. Et l’intégration est un plugin épinglé à vLLM 0.32.0, la prise en charge native en amont étant décrite comme en cours de développement. Vous n’achetez pas seulement un GPU ; vous maintenez une pile de service.

Règles de décision

Optez pour Gemini 3.5 Transcribe lorsque l’une de ces conditions est remplie : l’audio n’est pas dans l’une des sept langues européennes, vous avez besoin d’étiquettes de locuteur ou d’horodatages comme sortie de premier ordre, vous avez besoin de transcriptions partielles pendant que l’audio est encore en cours de réception, ou votre volume est suffisamment faible pour qu’un GPU ne soit jamais rentabilisé. Le déficit de précision de 0,32 point est un coût réel, mais c’est un coût mesuré sur un score composite pondéré à moitié en faveur de la conversation synthétique, et il vous offre quatre capacités que vous auriez sinon à développer.

Recourez à SOV-Transcribe-1 lorsque l’audio est à dominante anglaise et riche en entités, lorsque le vocabulaire est connu à l’avance, lorsque les enregistrements durent moins de trente minutes et lorsque « l’audio reste sur notre matériel » est une clause du contrat plutôt qu’une préférence. La transcription par lots, pendant la nuit, d’appels commerciaux enregistrés est la charge de travail pour laquelle ce modèle a manifestement été conçu.

Les parcs mixtes sont la situation courante, et la partie délicate n’est jamais la transcription. C’est que la transcription alimente un second modèle — un modèle de résumé, un classifieur, un agent QA — et changer ce consommateur implique un nouveau fournisseur, une nouvelle clé et une nouvelle facture. OrcaRouter supprime cette étape : plus de 200 modèles texte, image et vidéo derrière une seule clé aux tarifs catalogue du fournisseur, avec 0 % de majoration, afin que le modèle en aval de la transcription puisse être remplacé ou basculé en secours sans toucher le moins du monde au pipeline de transcription. Il n’héberge aucun des deux modèles vocaux, et n’en a pas besoin. La couche de transcription reste où elle est ; le routage commence avec le texte qu’elle produit.

La seule chose à ne pas faire est de considérer l’écart de 0,32 point comme la décision. C’est le plus petit nombre de la comparaison et, pour la plupart des équipes, le moins déterminant.