SOV-Transcribe-1 לעומת GPT Transcribe: האחד מפרסם מדדי ביצועים, והשני מפרסם מחיר

OpenAI מעולם לא פרסמה שיעור שגיאות מילים עבור GPT Transcribe. המודל מופיע בתיעוד ה-API כצילום מצב עם מחיר ורשימת נקודות קצה, וזה כל התיעוד הציבורי — אין טבלת דיוק, אין רשימת שפות, אין השוואה לקודמו. כלומר, המספר היחיד שאפשר להגן עליו בהשוואה הזו מגיע מהרנס של מישהו אחר: Artificial Analysis מודדת את GPT Transcribe ב-3.31% AA-WER, לעומת 2.28% עבור SOV-Transcribe-1, מודל המשקולות הפתוחות של Salesforce שיצא ב-12 בנובמבר 2026. פער של נקודת אחוז שלמה בשגיאות מילים מפריד ביניהם, וזו העובדה הכי פחות שימושית בכתבה. העובדות השימושיות הן ש-GPT Transcribe מזרים בזמן אמת דרך סשן WebSocket בעוד SOV-Transcribe-1 לא יכול להזרים כלל, שאחד עולה $0.0045 לדקה והשני עולה GPU, ושאין ספק שמסכים לספר לך כיצד כל אחד מהמודלים מתנהג באודיו שלך.

מה ש-O​penAI למעשה מתעדת

ה-snapshot נקרא gpt-transcribe. הוא מטפל בקבצי אודיו שהושלמו, בתמלולי קבצים בזרימה, ובתורות מחויבות בהפעלות Realtime דרך WebSocket — כלומר, זרימה היא יכולת מתועדת עם תעבורה משלה, ולא דגל בקריאת ה-batch. בעמוד הקטלוג מצוינת גם תמיכה בהקשר לא מובנה, ברמזי מילות מפתח וברמזי שפה מרובים, וזה אותה צורת הטיה ש-SOV-Transcribe-1 מציע דרך הוראות. המחיר המתועד הוא $0.0045 לדקת אודיו, שזה $0.27 לשעת אודיו, והגרסה המעשית של המספר הזה היא שתמלול של אלף שעות שיחות מוקלטות עולה $270.

מה שחסר מלמד באותה מידה. עמוד המודל מדרג ביצועים רק באמצעות תווית איכותית "Highest" ומהירות כ-"Medium" — אין WER, אין דיוק לפי שפה, אין אורך שמע מקסימלי שמוצהר כמגבלה קשיחה, ואין טבלת הערכה שמשווה אותו ל-Whisper. למודל הדיבור הישן יותר של OpenAI, Whisper Large v3 Turbo, יש כרטיס מודל עם סעיפי מגבלות ומאמר מאחוריו. ל-GPT Transcribe יש מחיר, רשימת נקודות קצה ושני שמות תואר. זו אינה האשמה — מודלי פרודקשן רבים יוצאים ללא הערכות מפורסמות — אבל זה משנה מה שרוכש יכול לבדוק לפני התחייבות, וזו הסיבה שרתמת בדיקה עצמאית חשובה כאן יותר מאשר בהשוואה שבה שני הספקים מפרסמים.

המספר האחד שבחוץ, וכמה משקל הוא נושא

Artificial Analysis מריצה את G​PT Transcribe על אותו מדד משולב בן שלוש קבוצות שבו היא משתמשת לכל דבר בלוח הזה: AA-AgentTalk במשקל 50%, VoxPopuli-Cleaned ב-25%, Earnings22-Cleaned ב-25%. G​PT Transcribe משיג 3.31%. אותה מערכת בדיקה מעמידה את SOV-Transcribe-1 על 2.28%.

קראו את הרכיבים לפני שאתם סומכים על הפער. ה-2.28% של SOV-Transcribe-1 הם ממוצע של 1.79% בסט השיחות הסינתטי, 1.50% בדיבור פרלמנטרי נקרא ו-4.06% בשיחות רווחים אמיתיות — הפער בין המשטח הטוב ביותר שלו למשטח הגרוע ביותר הוא כמעט שלושה לאחד. אם ל-G​PT Transcribe יש פער דומה, ואין סיבה שפורסמה לחשוב אחרת, אז פער של נקודה אחת במדד המרוכב יכול להיות פער של שתי נקודות בשיחות רווחים ושגיאת עיגול בדיבור נקרא. אף אחד מחוץ ל-Artificial Analysis לא יודע, ו-Artificial Analysis מפרסמת מדדים מרוכבים, לא פירוט לפי סט עבור כל מודל.

המדד העצמאי השני הוא מהירות. אותו לוח מדידות מציב את G​PT Transcribe במקדם מהירות של 43.1 — כלומר 43.1 שניות של אודיו שעובדו בכל שנייה של זמן שעון. לשם קנה מידה, אותה מדידה מציבה את Whisper Large v3 Turbo על 339.5 ואת G​emini 3.5 Transcribe על 94.4. G​PT Transcribe הוא האיטי מבין הארבעה בפער ניכר, ואם אתם מתמללים ארכיון ולא שיחת טלפון, זה המספר שקובע את עומק התור שלכם.

מהיכן מגיעים המספרים של המודל הפתוח, והיכן הם נעצרים

ה-2.28% של SOV-Transcribe-1 הוא עצמאי, אך כמעט כל השאר בו מדווח על ידי Salesforce. כרטיס המודל טוען לשיעור מעבר מלא של 76.3% ב-VoiceCodeBench, לוח תוצאות פרטי, ולשחזור ישויות של 93.4% על אותה קבוצה; ל-WER ממוצע של 8.21% על פני ארבעה-עשר מבטאים באנגלית ב-AppTek Call-Center Dialogues; ול-25.69% ב-HALAS, קבוצת שיחות רווחים המתמקדת בהזיות. מבין אלה, רק הציון המשולב של Artificial Analysis יכול להיות משוחזר על ידי צד שלישי כיום. הדוח הטכני מקושר כ"בקרוב".

אז הניסוח הכנה של השוואת הדיוק הוא א-סימטרי באופן לא נוח: למודל הפתוח יש ציון עצמאי טוב יותר ומכלול גדול של טענות ספק שלא עברו ביקורת, בעוד שלמודל המתארח יש ציון עצמאי גרוע יותר ואין טענות ספק כלל. אף אחת מהעמדות אינה חזקה. אם ההחלטה שלך תלויה בעמידות למבטא או בדיוק בזיהוי ישויות, אתה בוחר בין שקופית של ספק לשתיקה, והדרך היחידה להכריע היא להריץ את שניהם על כמה מאות קליפים מהאודיו שלך.

סטרימינג הוא ההבדל שמסיים את השיחה

זה לא ניואנס. GPT Transcribe פותח סשן תמלול בזמן אמת عبر WebSocket ומחזיר טקסט חלקי כאשר האודיו מגיע. SOV-Transcribe-1 אינו סטרימינג באופן מפורש: הוא מקבל הקלטה שלמה, עד שלושים דקות של אודיו מונו ב-16 kHz, ומחזיר תמלול מלא. אין מצב פלט חלקי להפעלה ואין תצורה שמייצרת אחד.

עבור מוצר כתוביות בזמן אמת, סוכן קולי, שכבת סיוע לנציג במוקד שיחות או כל דבר שבו התמלול חייב להתקיים לפני שהדובר מפסיק לדבר, ההשוואה נגמרת לפני שמדברים על דיוק. SOV-Transcribe-1 אינו אפשרות איטית יותר; הוא אינו אפשרות בכלל. לעומת זאת, אם עומס העבודה הוא תמלול אצווה בלילה של שיחות מוקלטות — וזה מה שרוב נפח הדיבור הארגוני הוא למעשה — סטרימינג הוא יכולת שתשלמו עליה ולעולם לא תשתמשו בה, ויתרון הדיוק של 1.03 נקודות הוא כסף בחינם.

מתחת לכך נמצא הבדל מבני שני. G​PT Transcribe היא נקודת קצה מנוהלת: שם תמונת המצב קבוע, פורמט התגובה הוא של O​penAI והיא זו שיכולה לשנותו, והגרסה שתקרא לה בעוד שנה היא אותו שם עם כל השיפורים שיופעלו מאחוריו. SOV-Transcribe-1 מחזירה מחרוזת תמלול ותו לא — בלי חותמות זמן ברמת המילה, בלי תוויות דובר — וזו אכן עלות אמיתית, אבל זה גם אומר שפורמט הפלט הוא מה שקוד ההמשך שלך יעשה ממנו, והמשקלות שהורדת לא משתנות מתחתיך אלא אם תחליף אותן.

השוואת העלויות, עם הצגת החישוב

G​PT Transcribe מתומחר לפי דקת אודיו: $0.0045, כלומר $4.50 לאלף דקות, וזה בדיוק הנתון שמופיע בלוח של Artificial Analysis. אין צורך למדל חשבונאות טוקנים, ואין מדרגת הנחה מתועדת.

אין בצד של Salesforce מספר לפי דקה שאפשר להציב לצידו, כי אין מה לקנות לפי דקה. הכרטיס מציע במקום זאת תפוקה: עם תמיכה מקורית ב-vLLM ומודל הטיוטה DFlash, RTX PRO 6000 Blackwell Server Edition אחד מתמלל עד 1,039 שניות אודיו בשנייה, ומחזיר תמלול של קטע בן שלושים שניות בתוך 0.22 שניות. אלף דקות אודיו הן 60,000 שניות, כך שבקצב הזה זה מסתיים בפחות מדקה של זמן GPU.

כשמעמידים אותם זה לצד זה, שני המספרים אומרים משהו מוגדר. בתעריף של 4.50 דולר לאלף דקות, GPT Transcribe עולה 4.50 דולר עבור מה שהמודל הפתוח מבצע בכ-58 שניות על כרטיס אחד. שכירות של RTX PRO 6000 נעה בדולרים בודדים נמוכים לשעה, ולכן המסלול הפתוח זול יותר בכל נפח מתמשך — אבל רק אם הכרטיס עסוק. בקצב של שלוש שעות אודיו בשבוע, הכרטיס אינו פעיל 99% מהזמן וה-API הוא האפשרות הזולה יותר פי עשרה, לפני שמביאים בכלל בחשבון את המהנדס שמתחזק את תוסף vLLM שנעוץ בגרסה 0.32.0.

שתי הסתייגויות לגבי נתון התפוקה, שתיהן מכרטיס הדגם. זו מדידה מגרסת פיתוח מנובמבר 2026, והיא מחייבת max_num_seqs=64 כדי לשמור על פרופיילינג האתחול בתוך 96 GB של הכרטיס לאחר טעינת מודל הטיוטה. ברירת המחדל של 1,024 רצפים במקביל לא תיכנס. אתם קובעים גודל של שרת, לא קוראים לנקודת קצה.

הדרך האמצעית, והיכן שהנתב נכנס לתמונה

רוב הצוותים שמגיעים לכאן לא בוחרים באחד. הם משאירים את ה-API המתארח לכל דבר אינטראקטיבי ומוסיפים את המודל הפתוח עבור צבר הארכיון, מה שאומר שני מסלולי תמלול, שני פורמטי פלט ושני מרכזי עלות — ואז, בדרך כלל, מודל טקסט אחד בהמשך הזרם שצריך לסכם, לסווג או לבצע אחזור על שניהם.

הקפיצה האחרונה היא זו ששווה לנתב. OrcaRouter מעמידה יותר מ-200 מודלים של טקסט, תמונה ווידאו מאחורי מפתח יחיד במחירי המחירון של הספקים עם 0% תוספת, כך שאפשר להחליף, להשוות או להעביר לגיבוי את המסכם או המסווג שקורא אחד משני התמלולים בלי חוזה חדש — והורדת מחיר של ספק במודל הטקסט הזה נכנסת לתוקף באותו יום שבו היא מופיעה בכרטיס של הספק עצמו. הוא אינו מארח את G​PT Transcribe או את SOV-Transcribe-1; אף אחד משני מודלי הדיבור אינו שירות שאנחנו מספקים, והניתוב מתחיל בטקסט שהם מייצרים. מה שזה נותן הוא שההחלטה על התמלול מפסיקה להיות מצומדת להחלטת הניתוח.

מי צריך לבחור מה

בחר ב-GPT Transcribe כשהתמלול חייב להיות זמין בזמן שהאודיו עדיין מתנגן, כשאין לך קיבולת תפעולית ל-GPU ואין לך חשק לבנות אותה, כשהנפח צנוע מספיק ש-$0.27 לשעת אודיו הוא שגיאת עיגול לעומת זמן הנדסה, או כשאתה פשוט צריך ספק עם חוזה תמיכה מאחורי נקודת הקצה. קבל את פער הדיוק של 1.03 נקודות כמחיר לכך, ושים לב שב-43.1x realtime לא כדאי לתכנן מילוי לאחור של ארכיון גדול דרכו.

בחרו ב-SOV-Transcribe-1 כאשר האודיו הוא בעיקרו אנגלי, באורך של פחות משלושים דקות לקובץ, ונדרש בדיעבד ולא במהלכו; כאשר ההקלטות אינן יכולות לצאת מהתשתית שלכם; כאשר אוצר המילים ידוע מראש וניתן למסור אותו כרשימת רמזים, כאשר Salesforce מדווחת על עלייה ב-F1 של מילות מפתח מ-71.9 ל-96.8 ב-Contextual Earnings-22; וכאשר אתם כבר מריצים GPUs למשהו אחר, כך שהעלות השולית של הכרטיס קרובה לאפס.

מה שאסור לכם לעשות הוא להיתפס ל-3.31% מול 2.28%. שני המספרים האלה מגיעים ממערכת בדיקה אחת, עם שקלול משולב אחד, כאשר פירוט לפי סט לא פורסם עבור אף אחד משני המודלים. הם מספיקים כדי לומר שהמודל הפתוח כנראה מדויק יותר בדיבור אנגלי שיחתי ובקריאה בקול. הם לא מספיקים כדי לומר בכמה באודיו שלכם, והיכולות שיש ל-G​PT Transcribe ושאין ל-SOV-Transcribe-1 — סטרימינג, נקודת קצה מנוהלת, רמזי מילות מפתח ושפה בלי מערך הגשה, וחוזה ספק שעומד מאחורי זמן הפעילות — כלל אינן נמדדות לפי WER.