SOV-Transcribe-1 vs Nemotron 3.5 Transcribe : à quinze jours d’écart, et un seul des deux est un produit

La reconnaissance vocale à poids ouverts a changé de mains deux fois en quinze jours. NVIDIA a publié Nemotron 3.5 Transcribe le 28 octobre 2026 ; Salesforce a publié SOV-Transcribe-1 le 12 novembre. Sur le composite d’Artificial Analysis, le modèle le plus récent l’emporte : SOV-Transcribe-1 à 2,28 % d’AA-WER contre 2,81 % pour Nemotron 3.5 Transcribe. Voilà tout l’argument de vente, et il est plus mince qu’il n’y paraît. NVIDIA a livré la diarisation des locuteurs, des horodatages au niveau des mots, quarante langues, des enregistrements d’une heure, trois formats de quantification, un rapport technique publié et une pile de service avec un cookbook. Salesforce a livré le meilleur chiffre du tableau et une fiche modèle qui indique que le rapport technique est à venir. Si vous choisissez un modèle à intégrer dans un produit plutôt que pour un classement, l’écart de précision n’est pas l’axe qui compte.

Deux architectures, deux paris totalement différents

Nemotron 3.5 Transcribe est un modèle de langage hybride Mamba-2 et Transformer à mélange d’experts — Nemotron 3.5 Lightning 30B A3B — doté d’un encodeur expert parallèle : un encodeur ASR Transformer d’environ 600 M de paramètres et un encodeur de locuteur distinct de 99 M de paramètres, ainsi qu’une tête CTC pour l’alignement temporel. Trente-quatre milliards de paramètres au total, dont 4,3 milliards actifs, y compris l’encodeur audio.

SOV-Transcribe-1 va dans l’autre sens. Il prend un encodeur Whisper large-v3 standard, y ajoute un projecteur, puis confie le résultat à un décodeur Gemma 4 26B A4B — 26,6 B au total, 4,6 B actifs. Là où NVIDIA a construit un front-end de parole et y a attaché son propre modèle de langage, Salesforce a attaché un modèle de langage généraliste à un front-end de parole que tout le monde possède déjà. C’est pourquoi le checkpoint SOV fait 53 Go en BF16 et que la version BF16 de Nemotron nécessite une H100 de 80 Go : le modèle Salesforce porte moins de poids total, et il le porte dans un format dont aucune variante quantifiée n’a encore été publiée.

• Paramètres totaux — SOV-Transcribe-1 26,6B contre Nemotron 3.5 Transcribe 34B, en comptant l’encodeur audio dans les deux cas.

• Paramètres actifs — 4,6 B contre 4,3 B. Une quasi-égalité, et c’est là le plus intéressant : Salesforce obtient un taux d’erreur plus faible avec un ensemble actif légèrement plus grand et une taille totale nettement plus petite.

• Limite audio — 30 minutes contre 1 heure, avec un contexte de 65 536 tokens côté NVIDIA.

• Langues — 7 européennes contre 40, avec prise en charge du code-switching dans toute la matrice Nemotron.

• Précision — BF16 uniquement (routeur FP32) versus checkpoints BF16, FP8 et NVFP4, le dernier fonctionnant sur une RTX 5090.

• Licence — Apache 2.0 versus OpenMDW-1.1. Apache est de loin la plus permissive des deux, et pour certaines équipes juridiques, cela suffit à lui seul à trancher.

Un benchmark que les deux fournisseurs ont réalisé, avec des chiffres qui ne concordent pas

C'est la comparaison la plus utile de l'article, car c'est le seul endroit où les deux fiches de modèle peuvent être mises côte à côte sur le même test. VoiceCodeBench mesure la transcription de valeurs structurées — adresses e-mail, chemins de fichiers, identifiants, numéros de compte — et rapporte deux métriques : la correspondance canonique des jetons et des entités, qui indique quelle proportion du contenu cible a été récupérée, et le taux de réussite des tâches, qui correspond à la part des enregistrements où chaque valeur cible a été correctement restituée.

La fiche de NVIDIA publie les deux : 88,53 % de CTEM et 59,33 % de TSR, ainsi qu’un taux d’erreur sur les mots de 8,38 % sur le jeu de données. La fiche de Salesforce publie deux chiffres pour le même benchmark : 76,3 % validant chaque entité cible et 93,4 % des entités récupérées, décrits comme premiers parmi les systèmes à poids ouverts et deuxièmes sur 23 au total. Ces chiffres correspondent respectivement au TSR et au CTEM, et la correspondance ne fonctionne pas. Salesforce revendique 76,3 % de réussite totale là où NVIDIA rapporte 59,33 % pour la même métrique, et revendique 93,4 % de récupération d’entités là où NVIDIA rapporte 88,53 %.

Il existe des explications innocentes. VoiceCodeBench est un classement privé géré par un tiers, les scores sont versionnés au fil du temps, et les deux fournisseurs ont peut-être soumis des instantanés différents. Il y a aussi une explication moins innocente : l’un des deux chiffres est présenté avec plus d’assurance que ne le justifie ce que le benchmark rapporte lui-même. Ce qu’un lecteur peut en conclure est limité et mérite d’être dit clairement : sur l’unique benchmark de valeurs structurées par rapport auquel les deux modèles ont été évalués, le modèle Salesforce semble sensiblement meilleur pour obtenir chaque valeur correcte, et l’ampleur de cet avantage est contestée, avec cinq à dix-sept points d’écart selon la fiche que l’on lit.

Ce que NVIDIA a livré, et que Salesforce n'a pas livré

L’écart ici n’est pas incrémental. Il s’agit de capacités, pas de scores, et chacune supprime une partie du travail en aval que vous auriez autrement à construire.

• Transcription attribuée aux locuteurs — une évaluation complète multi-locuteurs sur AMI, CALLHOME, Mixer 6 et NOTSOFAR-1, avec un cpWER moyen de 15,80 et des résultats par condition allant jusqu’aux cas individuels de microphone distant. SOV-Transcribe-1 ne documente pas du tout de diarisation.

• Horodatages des mots — une tête d’alignement CTC renvoyant le texte des mots avec les instants de début et de fin, une carte des segments de diarisation et un champ d’erreur d’alignement. La carte Salesforce renvoie une chaîne de transcription.

• Traduction vocale, identification de la langue et réponses aux questions audio — des tâches distinctes avec leurs propres benchmarks, y compris 100 % d’identification de langue FLEURS sur plusieurs langues. SOV-Transcribe-1 transcrit, en sept langues, et s’arrête là.

• Un rapport technique — {{1}}publié au format PDF, avec la composition des données d’entraînement détaillée jusqu’à indiquer quels corpus ont été obtenus sous licence et auprès de qui{{/1}}. Salesforce indique que son rapport sera « bientôt disponible ».

• Une échelle de quantification et un recueil de recettes de service — NVFP4 sur les Blackwell grand public, une voie SGLang-Omni, GGML sous Windows natif. L’intégration Salesforce est un plugin vLLM épinglé à 0.32.0, avec une prise en charge amont décrite comme en cours de développement.

La mise en garde honnête concernant cette liste, c’est que l’étendue et la profondeur se font concurrence. Un modèle entraîné sur 40 langues et sept familles de tâches répartit sa capacité ; un modèle entraîné sur sept langues européennes et sur la seule transcription peut y consacrer toute la sienne. L’écart composite de 0,53 point est exactement ce à quoi ressemble ce compromis lorsqu’il est payant.

Les chiffres des portions, à lire attentivement

Les deux fabricants réalisent leurs benchmarks sur la même carte, ce qui rend cette comparaison inhabituellement limpide — et inhabituellement facile à mal interpréter.

• Salesforce, SOV-Transcribe-1 — jusqu’à 1 039 secondes d’audio par seconde sur une RTX PRO 6000 Blackwell Server Edition, avec le modèle de brouillon DFlash activé, sur une version de développement de vLLM, à max_num_seqs=64.

• NVIDIA, Nemotron 3.5 Transcribe — jusqu’à 2 238 secondes d’audio par seconde sur la même carte en NVFP4 avec décodage spéculatif DFlash2, renvoyant la transcription d’un clip de 30 secondes en 0,13 seconde.

Le chiffre de NVIDIA est plus du double, et NVIDIA en explique la raison dans sa propre fiche : ces optimisations résident dans le Nemotron Transcribe NIM et ne font pas partie de la version open source, que la fiche décrit comme environ deux fois plus lente et destinée au développement de modèles. Ainsi, la comparaison à périmètre égal — vLLM open source contre vLLM open source, sur une seule carte — est d'environ 1 119 contre 1 039 secondes audio par seconde. NVIDIA reste en tête, d'environ huit pour cent, et elle est en tête tout en étant le modèle qui fournit des étiquettes de locuteur et des horodatages dans le flux de sortie.

Ce que cela signifie pour un acheteur, c'est qu'aucun des deux modèles ne se choisit en fonction du débit. Tous deux saturent une carte moderne ; tous deux nécessitent une carte dédiée. La décision porte sur la sortie dont vous avez besoin et sur le téléchargement que vous pouvez exécuter, et sur la seconde question, Nemotron l'emporte carrément, car un checkpoint NVFP4 tourne sur du matériel qui coûte une fraction d'un composant serveur de 96 Go, tandis que le modèle Salesforce n'a aucune version quantifiée à exécuter.

Là où SOV-Transcribe-1 constitue véritablement le meilleur choix

Trois cas, et le premier est le plus évident. Si l'anglais est la langue et que la précision des entités est le produit, 2,28 % contre 2,81 % sur le composite constitue une différence réelle, et la surface la plus faible du modèle Salesforce — 4,06 % sur Earnings22-Cleaned — reste meilleure que ce que le composite laisse présager pour la concurrence. Sur Contextual Earnings-22, SOV-Transcribe-1 rapporte un F1 mots-clés qui passe de 71,9 à 96,8 avec les indices propres au clip et se maintient à 94,0 lorsqu'on lui fournit la liste de mots-clés de l'heure entière comme distracteurs. NVIDIA rapporte ses propres chiffres Contextual Earnings22 en taux d'erreur sur les mots plutôt qu'en F1, de 12,54 % sans contexte à 9,58 % en local, de sorte que les deux ne sont pas directement comparables — mais la forme du résultat, à savoir que les listes d'indices aident et que les listes d'indices riches en distracteurs aident encore, est la même dans les deux cas.

Le deuxième cas est celui des licences. Apache 2.0 face à OpenMDW-1.1 n’est pas une formalité pour une entreprise dont la revue juridique a des opinions sur les œuvres dérivées. Si vous comptez fine-tuner et redistribuer le modèle, ou l’intégrer dans un produit que vous commercialisez, la voie Apache est plus courte.

Le troisième est la simplicité du périmètre. Un modèle qui fait une seule chose renvoie une seule chose, et un pipeline qui attend une chaîne de transcription est plus facile à appréhender qu’un pipeline qui reçoit un objet structuré avec des étiquettes d’interlocuteur, des horodatages et un champ d’erreur d’alignement dont il n’a peut-être pas besoin. Les équipes qui veulent maîtriser leur diarisation — parce qu’elles exploitent déjà un modèle d’embedding de locuteur auquel elles font confiance — obtiennent une entrée plus propre du modèle plus étroit.

Choisir entre eux sans classement

Si l’audio est une réunion, un appel avec plusieurs voix, ou tout contenu où « qui a dit quoi » fait partie du livrable, la réponse est Nemotron 3.5 Transcribe et la question de la précision est sans objet — SOV-Transcribe-1 ne peut pas produire le champ. Si l’audio n’est pas en anglais, c’est encore plus vrai. Si les enregistrements dépassent trente minutes ou doivent tourner sur un matériel plus petit qu’une carte de centre de données, NVIDIA encore.

Si l'audio est en anglais, avec un seul locuteur ou déjà diarisé en amont, dure moins d'une demi-heure, et que le livrable est un texte contenant les bons noms propres, SOV-Transcribe-1 est le transcripteur le plus précis disponible aujourd'hui et la licence Apache supprime une négociation. C'est un ensemble de charges de travail plus restreint que ce que la couverture du lancement laissait entendre, mais il est bien réel.

Les pipelines mixtes sont ici aussi le résultat normal, et ils soulèvent une question pratique que ni l'une ni l'autre des fiches de modèle n'aborde : ce qui lit la transcription par la suite. OrcaRouter place plus de 200 modèles de texte, d'image et de vidéo derrière une seule clé au tarif catalogue des fournisseurs, avec 0 % de marge, de sorte que le résumeur ou l'extracteur en aval peut être permuté ou basculé en cas de défaillance sans second contrat — utile lorsque la source de la transcription n'est pas encore arrêtée. Aucun de ces deux modèles vocaux n'est servi via cette solution, et nous ne prétendons pas le contraire ; le routage commence là où le texte commence.

Ce qui a changé au cours de la quinzaine entre ces deux versions, ce n’est pas le modèle qui trône en tête du classement des modèles à poids ouverts. C’est que ce classement n’a plus de réponse claire, et que la réponse dépend désormais de si vous achetez un transcripteur ou une chaîne de transcription. NVIDIA vend cette dernière. Salesforce a publié le premier, et l’a fait extrêmement bien.