SOV-Transcribe-1 לעומת Gemini 3.5 Transcribe: שלוש עשיריות של נקודה, וכל השאר
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 226 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 101 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-0719 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 82 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 182 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 46 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 139 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 63 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 181 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 138 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 111 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 322 tok/s
בלוח הדיבור של Artificial Analysis שני המודלים נמצאים במרחק של 0.32 נקודות אחוז זה מזה — SOV-Transcribe-1 עם 2.28% AA-WER, ו-Gemini 3.5 Transcribe עם 2.60% — וזהו הפער הקטן ביותר בכל ההשוואה הזו. כל שאר הפערים גדולים יותר. Gemini 3.5 Transcribe מכסה יותר מ-85 שפות לעומת שבע, מזהה עד שמונה דוברים בעוד שהמודל של Salesforce אינו מזהה אף אחד, מפיק חותמות זמן ברמת המילה, ויש לו נקודת קצה חיה נפרדת לסטרימינג. SOV-Transcribe-1 הוא משקולות פתוחות תחת Apache 2.0, פועל על GPU שבבעלותך, ומקבל רשימת מילות מפתח שמתקנת באופן מדיד שמות וסימולי טיקר. הבחירה ביניהם אינה שאלה של דיוק. זו שאלה אם אתה קונה תמלול או קונה צינור עיבוד.
מה כל אחד מהם
SOV-Transcribe-1 הוא מודל השפה הראשון בעל משקולות פתוחות של Salesforce עם תוספת דיבור, שפורסם ב-12 בנובמבר 2026 בשם salesforce-sovereign-intelligence/SOV-Transcribe-1: מקודד Whisper large-v3 שמזין מפענח mixture-of-experts מדגם Gemma 4 26B A4B, עם 26.6B פרמטרים בסך הכול ו-4.6B פעילים, בצ'ק-פוינט BF16 בגודל 53 GB. הוא אינו סטרימינג, מטפל בעד 30 דקות של אודיו ב-16 kHz לכל בקשה, ונשלט באמצעות הוראות בהודעת המשתמש ולא באמצעות פרמטרים.
Gemini 3.5 Transcribe הוא מודל תמלול דיבור מתארח של Google, שעודכן לאחרונה באוגוסט 2026 ונגיש דרך Gemini API בתור gemini-3.5-transcribe, עם אח תאום להזרמה ב-WebSocket בשם gemini-3.5-transcribe-live. הוא מקבל אודיו באורך של עד שעה לבקשה — שלושים דקות כאשר דיאריזציה או חותמות זמן מופעלות — ומחזיר טקסט בתוספת הערות מילים. אין משקולות להורדה ואין שרת שצריך להתאים את גודלו.
פער הדיוק, מפורק
AA-WER v2 הוא מדד משוקלל מורכב: AA-AgentTalk ב-50%, VoxPopuli-Cleaned ב-25%, Earnings22-Cleaned ב-25%. פיצול שני המודלים בין הרכיבים הללו מאלף יותר מאשר נתון הכותרת, משום שהיתרון של מודל Salesforce אינו מפוזר באופן אחיד.
• AA-AgentTalk — SOV-Transcribe-1 ב-1.79%. זוהי הקבוצה השיחתית הסינתטית בעלת המשקל החצי, וזה המקום שבו מודל Salesforce הוא החזק ביותר בהשוואה לכל דבר אחר בלוח.
• VoxPopuli-Cleaned — SOV-Transcribe-1 ב־1.50%. קורא נאומים פרלמנטריים, והשפות האירופיות בתערובת האימון שלו הן בדיוק אלו שמהן הסט הזה שואב.
• Earnings22-Cleaned — SOV-Transcribe-1 ב-4.06%. שיחות רווחים אמיתיות: שמות, טיקרים, מספרים, דיבור מצטלב. המשטח הגרוע ביותר של המודל, וזה הקרוב ביותר לאודיו ארגוני.
Google אינה מפרסמת פירוט רכיבים עבור Gemini 3.5 Transcribe על אותם שלושה מערכים, ולכן ההצהרה הכנה היא שהציון המשולב מעניק יתרון ל-Salesforce ב-0.32 נקודות, והתמונה לפי מערכי נתונים עבור Google אינה גלויה לציבור. כל מי שטוען לניצחון מובהק, נניח, באודיו של מרכזיית שיחות, מסיק מסקנות מתוך ציון משולב שחציו מוטה לעבר שיחה סינתטית.
כאשר המודל המתארח פשוט מוביל
לארבע יכולות בצד Google אין מקבילה בגרסת Salesforce, וכל אחת מהן מכריעה קטגוריית מוצר.
• שפות — יותר מ-85, עם זיהוי אוטומטי והחלפת קוד תוך כדי מפגש, לעומת שבע שפות אירופיות. אם השמע שלך כולל מנדרינית, הינדי, ערבית או יפנית, SOV-Transcribe-1 אינו מועמד והשוואת הדיוק אינה רלוונטית.
• מבנה דוברים — דיאריזציה של עד שמונה דוברים, כאשר ייחוס מעבר לשלושה דוברים מסומן כניסיוני. SOV-Transcribe-1 אינו מתעד דיאריזציה כלל; תמלול של שיחה בין שני אנשים חוזר כגוש טקסט אחד בלתי מובחן.
• חותמות זמן — פלט ברמת מילה בנקודת הקצה של batch. המודל של Salesforce מפיק מחרוזת תמלול, כך שיצירת כתוביות או חיפוש תאימות לפי חותמת זמן חייבים להיבנות בהמשך התהליך.
• הזרמה (Streaming) — נקודת קצה ייעודית בזמן אמת עם הפעלות בנות עשר דקות ותעבורת WebSocket דו-כיוונית. SOV-Transcribe-1 אינו תומך בהזרמה באופן מפורש; אין מצב של תמלול חלקי שניתן להפעיל.
ישנו הבדל חמישי שאינו תכונה אלא אילוץ. התיעוד של Google עצמה מציין שחתימות זמן ברמת המילה פוגעות בדיוק התמלול ואינן תואמות אוצר מילים מותאם אישית, ושדיאריזציה אינה תואמת גם להטיית אוצר מילים. המודל המתארח מאלץ אותך לבחור איזו יכולת אתה רוצה בכל בקשה. המודל של Salesforce מאלץ אותך לבחור פעם אחת, ברמת „בלי דיאריזציה, אף פעם”.
במקום שבו המודל הפתוח מוביל, מעבר לניקוד
התשובה הברורה היא שהיית נתונים, והיא הנכונה עבור חלק גדול מהקונים: משקלים תחת Apache 2.0 על חומרה בשליטתכם פירושם שהאודיו לעולם לא יוצא מהבניין. עבור הקלטות של מוקדי שירות בתחומי השירותים הפיננסיים או הבריאות, זו לעתים קרובות דרישת חובה ולא העדפה, ושום API מתארח לא עומד בה ללא קשר ל-WER.
התשובה הפחות מובנת מאליה היא הטיה. ב-Contextual Earnings-22, SOV-Transcribe-1 מעלה את ה-F1 של מילות מפתח מ-71.9 ללא רמזים ל-96.8 בהינתן מילות המפתח של הקטע עצמו, ומחזיק ב-94.0 כשמספקים לו את רשימת מילות המפתח של השעה המלאה כאשר רוב הערכים בה הם מסיחים. Gemini מציע גם הטיית אוצר מילים מותאם אישית, עד 1,000 מונחים, כשהתוצאות הטובות ביותר מדווחות בסביבות 100 — אבל אי אפשר לשלב זאת עם הדיאריזציה או חותמות הזמן שאולי תרצו גם כן. אם דיוק הישויות הוא המוצר, שני המודלים יכולים לעשות זאת; רק אחד מהם יכול לעשות זאת תוך פליטת תוויות דובר.
בקרת סגנון היא השלישית. SOV-Transcribe-1 אומן לקבל הוראות — מילולית לעומת מנוקה, ספרות לעומת מילים, מילות מילוי נשמרות או מושמטות — ו-Salesforce מדווחת על WER מודע-העדפה של 5.05% כאשר ההוראה ניתנת. המקבילה של Google היא "Smart transcription", אשר מכסה הסרת מילות מילוי ועיצוב מודע-לכוונה, אך היא מצב ולא ממשק הוראות.
השוואת העלויות שבאמת משנה
גוגל מפרסמת את Gemini 3.5 Transcribe במחיר של $2.00 למיליון טוקני קלט אודיו ו-$12.00 למיליון טוקני פלט, אשר עמוד התמחור ממיר לבערך $0.003 לדקה בקלט ו-$0.002 לדקה בפלט, או בערך $0.005 לדקה במשולב. בלוח של Artificial Analysis מופיע אותו מודל ב-$5.00 ל-1,000 דקות. כך או אחרת, אלף דקות של אודיו עולות בערך חמישה דולרים.
ל-SOV-Transcribe-1 אין מחיר לפי דקה משום ש-Salesforce אינה מוכרת endpoint. הנתון הדומה הוא תפוקה: עם תמיכה ילידית ב-vLLM ומודל הטיוטה DFlash, כרטיס RTX PRO 6000 Blackwell Server Edition אחד מתמלל עד 1,039 שניות של אודיו בשנייה. בקצב הזה כרטיס בודד מסיים אלף דקות בכדקה של זמן שעון לערך, כך שנקודת האיזון מול API בתעריף של $5 ל-1,000 דקות מגיעה בכל היקף עבודה רציני — והיא לעולם אינה מגיעה אם אתה מתמלל שלוש שעות בשבוע ותצטרך לשכור את הכרטיס לפי שעה כדי לעשות זאת.
שתי הסתייגויות נלוות לאריתמטיקה הזו. הנתון 1,039 הוא מדידה של גרסת פיתוח של vLLM מנובמבר 2026 עם max_num_seqs=64, וזו גם ההגדרה הנדרשת כדי לשמור על פרופיילינג האתחול בתוך 96 GB לאחר טעינת מודל הטיוטה. והאינטגרציה היא תוסף מוצמד ל-vLLM 0.32.0, כאשר תמיכה מקורית במעלה הזרם מתוארת כעבודה בתהליך. אתם לא רק קונים GPU; אתם מתחזקים מחסנית הגשה.
כללי החלטה
פנו אל Gemini 3.5 Transcribe כאשר אחד מהבאים נכון: האודיו אינו באחת משבע שפות אירופאיות, אתם זקוקים לתוויות דובר או לחותמות זמן כפלט ראשוני, אתם זקוקים לתמלולים חלקיים בזמן שהאודיו עדיין מגיע, או שהנפח שלכם נמוך מספיק כך ש-GPU לעולם לא מכסה את עצמו. פער הדיוק של 0.32 נקודות הוא עלות אמיתית, אך זו עלות שנמדדת במדד מורכב שחציו משוקלל לכיוון שיחה סינתטית, והיא קונה לכם ארבע יכולות שאחרת הייתם צריכים לבנות.
פנה אל SOV-Transcribe-1 כאשר האודיו דומיננטי באנגלית ועשיר בישויות, כאשר אוצר המילים ידוע מראש, כאשר ההקלטות קצרות משלושים דקות, וכאשר "האודיו נשאר על החומרה שלנו" הוא סעיף בחוזה ולא העדפה. תמלול לילי בקבוצות של שיחות מכירה מוקלטות הוא עומס העבודה שהמודל הזה תוכנן בבירור עבורו.
מערכים מעורבים הם התוצאה הנפוצה, והחלק המסורבל הוא אף פעם לא התמלול. הבעיה היא שהתמלול מזין מודל שני — מודל סיכום, מסווג או סוכן QA — והחלפת הצרכן הזה משמעה ספק חדש, מפתח חדש וחשבונית חדשה. OrcaRouter מסיר את השלב הזה: 200+ מודלים של טקסט, תמונה ווידאו מאחורי מפתח אחד במחירי המחירון של הספקים עם 0% תוספת, כך שניתן להחליף את המודל שנמצא במורד הזרם מהתמלול או לעבור למודל חלופי בלי לגעת כלל בצינור התמלול. הוא לא מארח אף אחד משני מודלי הדיבור, והוא גם לא צריך. שכבת התמלול נשארת במקומה; הניתוב מתחיל בטקסט שהיא מפיקה.
הדבר היחיד שאסור לעשות הוא להתייחס לפער של 0.32 נקודות כאל ההחלטה. זהו המספר הקטן ביותר בהשוואה, ולמרבית הצוותים, גם הפחות משמעותי.
השוואות במאמר הזה1
זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית
