SOV-Transcribe-1 vs GPT Transcribe : l’un publie des benchmarks, l’autre publie un prix

O​penAI n’a jamais publié de taux d’erreur de mots pour G​PT Transcribe. Le modèle apparaît dans la documentation de l’API sous la forme d’un instantané avec un prix et une liste de points de terminaison, et c’est tout ce qui constitue le dossier public — pas de tableau de précision, pas de liste de langues, pas de comparaison avec son prédécesseur. Ce qui signifie que le seul chiffre défendable dans cette comparaison provient du banc d’évaluation de quelqu’un d’autre : Artificial Analysis mesure G​PT Transcribe à 3,31 % de AA-WER, contre 2,28 % pour SOV-Transcribe-1, le modèle à poids ouverts de Salesforce publié le 12 novembre 2026. Un point complet de taux d’erreur de mots les sépare, et c’est le fait le moins utile de l’article. Les faits utiles sont que G​PT Transcribe diffuse en temps réel via une session WebSocket et que SOV-Transcribe-1 ne peut pas diffuser du tout, que l’un coûte 0,0045 $ par minute et l’autre coûte un GPU, et qu’aucun des deux fournisseurs ne vous dira comment l’un ou l’autre modèle se comporte sur votre audio.

Ce qu'OpenAI documente réellement

L’instantané s’appelle gpt-transcribe. Il gère les fichiers audio terminés, les transcriptions de fichiers en streaming et les tours validés dans les sessions Realtime via WebSocket — le streaming est donc une capacité documentée avec son propre transport, et non un indicateur sur l’appel par lots. La page du catalogue signale aussi la prise en charge d’un contexte non structuré, d’indices de mots-clés et de plusieurs indices de langue, ce qui correspond au même type de guidage que propose SOV-Transcribe-1 via des instructions. Le prix documenté est de 0,0045 $ par minute d’audio, soit 0,27 $ par heure d’audio, et dans la pratique, ce chiffre signifie que transcrire mille heures d’appels enregistrés coûte 270 $.

Ce qui est absent est tout aussi instructif. La page du modèle ne note les performances que par une étiquette qualitative « Highest » et la vitesse que par « Medium » — aucun WER, aucune précision par langue, aucune longueur audio maximale indiquée comme limite stricte, aucun tableau d’évaluation le comparant à Whisper. Le modèle vocal plus ancien d’O​penAI, Whisper Large v3 Turbo, dispose d’une fiche de modèle comportant des sections sur les limites et d’un article scientifique à l’appui. G​PT Transcribe a un prix, une liste de points de terminaison et deux adjectifs. Ce n’est pas une accusation — de nombreux modèles de production sont livrés sans évaluations publiées — mais cela change ce qu’un acheteur peut vérifier avant de s’engager, et c’est pourquoi le banc de test indépendant compte davantage ici que dans une comparaison où les deux fournisseurs publient.

Le seul numéro externe, et le poids qu’il représente.

Artificial Analysis évalue G​PT Transcribe sur le même composite à trois ensembles qu’il utilise pour tout ce qui figure sur ce tableau : AA-AgentTalk à 50 % de poids, VoxPopuli-Cleaned à 25 %, Earnings22-Cleaned à 25 %. G​PT Transcribe obtient 3,31 %. Le même banc d’essai place SOV-Transcribe-1 à 2,28 %.

Lisez les composantes avant de faire confiance à l’écart. Les 2,28 % de SOV-Transcribe-1 sont une moyenne de 1,79 % sur l’ensemble conversationnel synthétique, de 1,50 % sur le discours parlementaire lu et de 4,06 % sur les conférences de résultats réelles — l’écart entre sa meilleure et sa moins bonne surface est de près de trois pour un. Si GPT Transcribe présente un écart similaire, et rien de publié ne permet de penser le contraire, alors un écart composite d’un point pourrait correspondre à un écart de deux points sur les conférences de résultats et à une erreur d’arrondi sur le discours lu. Personne en dehors d’Artificial Analysis ne le sait, et Artificial Analysis publie des composites, pas de ventilation par ensemble pour chaque modèle.

Le deuxième chiffre indépendant est la vitesse. Le même banc de mesure évalue G​PT Transcribe à un facteur de vitesse de 43,1 — soit 43,1 secondes d’audio traitées par seconde de temps réel. Pour donner l’échelle, la même mesure place Whisper Large v3 Turbo à 339,5 et G​emini 3.5 Transcribe à 94,4. G​PT Transcribe est le plus lent des quatre, et de loin ; et si vous transcrivez des archives plutôt qu’un appel téléphonique, c’est ce chiffre qui détermine la profondeur de votre file d’attente.

D’où viennent les chiffres du modèle ouvert, et où ils s’arrêtent

Le 2,28 % de SOV-Transcribe-1 est indépendant, mais presque tout le reste à son sujet est rapporté par Salesforce. La fiche modèle revendique un taux de réussite intégrale de 76,3 % sur VoiceCodeBench, un classement privé, et une récupération d’entités de 93,4 % sur le même ensemble ; un WER moyen de 8,21 % sur quatorze accents anglais sur AppTek Call-Center Dialogues ; et 25,69 % sur HALAS, un ensemble d’appels de résultats financiers centré sur les hallucinations. Parmi ceux-ci, seul le composite d’Artificial Analysis peut être reproduit par un tiers aujourd’hui. Le lien vers le rapport technique indique « bientôt disponible ».

Ainsi, une présentation honnête de la comparaison de précision est asymétrique d’une manière inconfortable : le modèle ouvert a un meilleur score indépendant et un vaste ensemble d’allégations non auditées du fournisseur, tandis que le modèle hébergé a un score indépendant moins bon et aucune allégation du fournisseur du tout. Aucune des deux positions n’est solide. Si votre décision repose sur la robustesse aux accents ou la précision des entités, vous choisissez entre une présentation commerciale du fournisseur et un silence, et le seul moyen de trancher est de tester les deux sur quelques centaines de clips de votre propre audio.

Le streaming est la différence qui met fin à la conversation.

Ce n’est pas une nuance. GPT Transcribe ouvre une session de transcription en temps réel via WebSocket et renvoie du texte partiel à mesure que l’audio arrive. SOV-Transcribe-1 est explicitement non-streaming : il prend un enregistrement complet, jusqu’à trente minutes d’audio mono à 16 kHz, et renvoie une transcription complète. Il n’y a pas de mode de sortie partielle à activer ni de configuration qui en produise une.

Pour un produit de sous-titrage en direct, un agent vocal, une surcouche d'assistance pour agents de centre d'appels ou tout autre cas où la transcription doit exister avant que l'interlocuteur n'ait fini de parler, la comparaison est terminée avant même que l'on aborde la précision. SOV-Transcribe-1 n'est pas une option plus lente ; ce n'est pas une option. À l'inverse, si la charge de travail consiste en une transcription par lots nocturne d'appels enregistrés — ce qui représente en réalité la majeure partie du volume vocal des entreprises —, le streaming est une fonctionnalité que vous paierez sans jamais utiliser, et l'avantage de précision de 1,03 point est de l'argent gratuit.

Une deuxième différence structurelle se cache sous celle-là. GPT Transcribe est un point de terminaison géré : le nom de l’instantané est fixe, le format de réponse appartient à OpenAI, qui peut le changer, et la version que vous appelez dans un an porte le même nom, avec les améliorations livrées derrière. SOV-Transcribe-1 renvoie une chaîne de transcription et rien d’autre — pas d’horodatages par mot, pas d’étiquettes d’intervenant — ce qui a un coût réel, mais cela signifie aussi que le format de sortie est ce que votre code en aval en fait, et les poids que vous avez téléchargés ne changent jamais dans votre dos, sauf si vous les remplacez.

La comparaison des coûts, avec le détail des calculs

GPT Transcribe est facturé à la minute d’audio : 0,0045 $, soit 4,50 $ pour mille minutes, ce qui correspond exactement au chiffre affiché par le tableau Artificial Analysis. Aucune comptabilisation de tokens à modéliser et aucun palier de remise documenté.

Il n’existe pas de chiffre par minute côté Salesforce à mettre en regard, car il n’y a rien à acheter à la minute. La carte met plutôt en avant le débit : avec la prise en charge native de vLLM et le modèle draft DFlash, une RTX PRO 6000 Blackwell Server Edition transcrit jusqu’à 1 039 secondes d’audio par seconde et renvoie la transcription d’un extrait de trente secondes en 0,22 seconde. Mille minutes d’audio représentent 60 000 secondes ; à ce rythme, cela est traité en moins d’une minute de temps GPU.

Mis côte à côte, les deux nombres disent quelque chose de précis. À 4,50 $ par millier de minutes, G​PT Transcribe coûte 4,50 $ pour ce que le modèle ouvert fait en environ 58 secondes sur une carte. Une RTX PRO 6000 louée revient à quelques dollars de l’heure, donc la solution ouverte est moins chère à tout volume soutenu — mais seulement si la carte est occupée. À trois heures d’audio par semaine, la carte est inactive 99 % du temps et l’API est la solution la moins chère d’un facteur dix, avant même de compter l’ingénieur qui maintient le plugin vLLM épinglé à la version 0.32.0.

Deux réserves sur le chiffre de débit, toutes deux issues de la fiche du modèle. Il s'agit d'une mesure effectuée sur une version de développement de novembre 2026, et elle exige max_num_seqs=64 pour que le profilage au démarrage reste dans les 96 GB de la carte une fois le modèle draft chargé. La valeur par défaut de 1 024 séquences simultanées ne tiendra pas. Vous dimensionnez un serveur, vous n'appelez pas un endpoint.

La voie du milieu, et où un routeur s'insère

La plupart des équipes qui arrivent ici ne choisissent pas l’une ou l’autre. Elles conservent l’API hébergée pour tout ce qui est interactif et ajoutent le modèle ouvert pour l’arriéré d’archives, ce qui implique deux chaînes de transcription, deux formats de sortie et deux centres de coûts — puis, généralement, un seul modèle texte en aval qui doit résumer, classer ou extraire des informations à partir des deux.

Ce dernier saut est celui qui mérite d’être routé. OrcaRouter met plus de 200 modèles de texte, d’image et de vidéo derrière une seule clé au prix catalogue du fournisseur, avec 0 % de marge, de sorte que le résumeur ou le classifieur qui lit l’une ou l’autre transcription peut être remplacé, comparé ou basculé en cas de défaillance sans nouveau contrat — et une baisse de prix du fournisseur sur ce modèle de texte est répercutée le jour même où elle apparaît sur la fiche tarifaire du fournisseur. Il n’héberge pas G​PT Transcribe ni SOV-Transcribe-1 ; aucun de ces deux modèles vocaux ne fait partie de ce que nous servons, et le routage commence avec le texte qu’ils produisent. Ce que cela apporte, c’est que la décision de transcription cesse d’être couplée à la décision d’analyse.

Qui devrait choisir lequel ?

Choisissez G​PT Transcribe lorsque la transcription doit exister pendant que l’audio est encore en cours de lecture, lorsque vous n’avez aucune capacité opérationnelle GPU et aucune envie d’en mettre une en place, lorsque le volume est assez modeste pour que 0,27 $ par heure d’audio soit une erreur d’arrondi au regard du temps d’ingénierie, ou lorsque vous avez simplement besoin d’un fournisseur avec un contrat de support derrière le point de terminaison. Acceptez l’écart de précision de 1,03 point comme le prix à payer pour cela, et notez qu’à 43,1× le temps réel, vous ne devriez pas compter traiter rétroactivement une grande archive par son intermédiaire.

Choisissez SOV-Transcribe-1 lorsque l'audio est majoritairement en anglais, que chaque fichier dure moins de trente minutes et que la transcription est nécessaire après coup plutôt qu'en direct ; lorsque les enregistrements ne peuvent pas quitter votre infrastructure ; lorsque le vocabulaire est connu à l'avance et peut être fourni sous forme de liste d'indices, Salesforce rapportant un F1 sur les mots-clés qui passe de 71,9 à 96,8 sur Contextual Earnings-22 ; et lorsque vous faites déjà tourner des GPU pour autre chose, de sorte que le coût marginal de la carte est proche de zéro.

Ce qu'il ne faut pas faire, c'est monter en épingle l'écart entre 3,31 % et 2,28 %. Ces deux chiffres proviennent d'un seul banc d'essai, sur une seule pondération composite, avec une ventilation par ensemble qui n'est publiée pour aucun des deux modèles. Ils suffisent à dire que le modèle ouvert est probablement plus précis sur la parole conversationnelle et lue en anglais. Ils ne suffisent pas à dire de combien sur votre audio, et les capacités que G​PT Transcribe possède et que SOV-Transcribe-1 n'a pas — le streaming, un point de terminaison géré, des indications de mots-clés et de langue sans pile de service, et un contrat fournisseur derrière la disponibilité — ne sont pas du tout mesurées par le WER.