SOV-Transcribe-1 נגד Nemotron 3.5 Transcribe: בהפרש של חמישה עשר יום, ורק אחד מהם הוא מוצר

זיהוי דיבור במשקלים פתוחים עבר מיד ליד פעמיים בתוך שבועיים. NVIDIA פרסמה את Nemotron 3.5 Transcribe ב-28 באוקטובר 2026; Salesforce פרסמה את SOV-Transcribe-1 ב-12 בנובמבר. במדד המשולב של Artificial Analysis, המודל החדש יותר מנצח: SOV-Transcribe-1 עם 2.28% AA-WER לעומת Nemotron 3.5 Transcribe עם 2.81%. זה כל הפיץ' המכירתי, והוא דק יותר ממה שהוא נראה. NVIDIA סיפקה דיאריזציה של דוברים, חותמות זמן ברמת המילה, ארבעים שפות, הקלטות באורך שעה, שלושה פורמטים של קוונטיזציה, דוח טכני מפורסם ומערכת הגשה עם ספר מתכונים. Salesforce סיפקה את המספר הטוב ביותר על הלוח וכרטיס מודל שאומר שהדוח הטכני בדרך. אם אתם בוחרים מודל כדי להכניס אותו למוצר ולא לטבלת מובילים, פער הדיוק אינו הציר שחשוב.

שתי ארכיטקטורות, שני הימורים שונים לחלוטין

Nemotron 3.5 {{1}}Transcribe{{/1}} הוא מודל שפה היברידי מסוג תערובת מומחים של Mamba-2 ו-Transformer — Nemotron 3.5 Lightning 30B A3B — המצויד במקודד מומחים מקבילי: מקודד ASR מסוג Transformer בעל כ-600 מיליון פרמטרים ומקודד דובר נפרד בעל 99 מיליון פרמטרים, בתוספת ראש CTC ליישור חותמות זמן. שלושים וארבעה מיליארד פרמטרים בסך הכול, 4.3 מיליארד פעילים כולל מקודד האודיו.

SOV-Transcribe-1 הולך בכיוון ההפוך. הוא לוקח מקודד Whisper large-v3 מוכן מהמדף, מחבר אליו פרויקטור, ומעביר את התוצאה למפענח Gemma 4 26B A4B — 26.6B בסך הכול, 4.6B פעילים. בעוד ש-NVIDIA בנתה חזית קלט לדיבור וחיברה לה מודל שפה משלה, Salesforce חיברה מודל שפה לשימוש כללי לחזית קלט לדיבור שכבר יש לכולם. לכן צ'ק-פוינט SOV הוא 53 GB ב-BF16, ואילו מהדורת ה-BF16 של Nemotron דורשת H100 עם 80 GB: המודל של Salesforce נושא פחות משקל כולל, והוא נושא אותו בפורמט שעדיין לא פורסמה עבורו גרסה מכווצת.

{{1}}סך הפרמטרים{{/1}} — SOV-Transcribe-1 עם 26.6B לעומת Nemotron 3.5 Transcribe עם 34B, כאשר שניהם כוללים את מקודד האודיו.

• פרמטרים פעילים — 4.6B לעומת 4.3B. למעשה תיקו, וזה החלק המעניין: Salesforce משיגה שיעור שגיאה נמוך יותר מקבוצה פעילה גדולה במעט ומקבוצה כוללת קטנה בהרבה.

• מגבלת אודיו — 30 דקות לעומת שעה, עם הקשר של 65,536 טוקנים בצד של NVIDIA.

• שפות — 7 אירופאיות לעומת 40, עם תמיכה בהחלפת קוד ברחבי מטריצת Nemotron.

• דיוק — BF16 בלבד (נתב FP32) לעומת צ'קפוינטים מסוג BF16, FP8 ו-NVFP4, כשהאחרון שבהם רץ על RTX 5090.

• רישיון — Apache 2.0 לעומת OpenMDW-1.1. Apache הוא המתירני מבין השניים בהרבה, ועבור חלק מצוותי המשפט זה לבדו מכריע.

בנצ'מרק אחד ששתי הספקיות הריצו, עם מספרים שלא תואמים

זו ההשוואה השימושית ביותר במאמר, משום שזהו המקום היחיד שבו ניתן להעמיד את שני כרטיסי המודל זה לצד זה על אותו מבחן. VoiceCodeBench מודד תעתוק של ערכים מובנים — כתובות דוא״ל, נתיבי קבצים, מזהים, מספרי חשבון — ומדווח על שני מדדים: התאמת טוקן קנוני וישות, כלומר כמה מתוכן היעד הוחזר, ושיעור הצלחת משימות, כלומר החלק של ההקלטות שבהן כל ערך יעד יצא נכון.

כרטיס המודל של NVIDIA מפרסם את שניהם: 88.53% CTEM ו-59.33% TSR, ובנוסף שיעור שגיאות מילים של 8.38% על הסט. כרטיס המודל של Salesforce מפרסם שני נתונים עבור אותו מבחן: 76.3% שעומדים בכל ישות מטרה ו-93.4% מהישויות שהוחזרו, ומתוארת כראשונה מבין מערכות עם משקלים פתוחים ושנייה מתוך 23 בסך הכול. אלה ממופים ל-TSR ול-CTEM בהתאמה, והמיפוי אינו עובד. Salesforce טוענת ל-76.3% מעבר מלא כאשר NVIDIA מדווחת על 59.33% באותו מדד, וטוענת ל-93.4% שחזור ישויות כאשר NVIDIA מדווחת על 88.53%.

ישנם הסברים תמימים. VoiceCodeBench הוא לוח מובילים פרטי המופעל על ידי צד שלישי, הציונים מנוהלים בגרסאות לאורך זמן, וייתכן ששני הספקים הגישו תמונות מצב שונות. יש גם הסבר לא תמים: אחד משני המספרים מתואר בביטחון רב מכפי שהדיווח של הבנצ'מרק עצמו תומך בו. מה שקורא יכול להסיק הוא צר וראוי לציון בפשטות — בבנצ'מרק הערכים המובנים היחיד ששני המודלים נמדדו מולו, נראה שהמודל של Salesforce טוב באופן משמעותי בלהשיג כל ערך בצורה נכונה, וגודל היתרון הזה שנוי במחלוקת בחמש עד שבע־עשרה נקודות בהתאם לכרטיס של מי שאתה קורא.

מה ש-NVIDIA שחררה לשוק וש-Salesforce לא

הפער כאן אינו מצטבר. אלו יכולות, לא ציונים, וכל אחת מהן מסלקת פיסת עבודה במורד הזרם שהייתם צריכים לבנות אחרת.

• תמלול עם ייחוס דובר — הערכה מלאה של ריבוי דוברים על פני AMI, CALLHOME, Mixer 6 ו-NOTSOFAR-1, עם cpWER ממוצע של 15.80 ותוצאות לפי תנאי עד לרמת מקרים בודדים של מיקרופון מרוחק. SOV-Transcribe-1 אינו מתעד דיאריזציה כלל.

• חותמות זמן של מילים — ראש יישור CTC המחזיר טקסט מילים עם זמני התחלה וסיום, מפת מקטעי דיאריזציה ושדה שגיאת יישור. כרטיס Salesforce מחזיר מחרוזת תמלול.

• תרגום דיבור, זיהוי שפה ומענה על שאלות באודיו — משימות נפרדות עם מדדים משלהן, כולל 100% זיהוי שפה ב-FLEURS במספר שפות. SOV-Transcribe-1 מתמלל בשבע שפות, ונעצר שם.

• דו״ח טכני — פורסם כ-PDF, כאשר הרכב נתוני האימון מפורט עד לרמת הפירוט של אילו קורפוסים נרשמו ברישיון וממי. Salesforce מקשרת את הדו״ח שלה כ״בקרוב״.

• סולם קוונטיזציה וספר מתכונים להגשה — NVFP4 על Blackwell לצרכנים, מסלול SGLang-Omni, GGML על Windows נייטיבי. אינטגרציית Salesforce היא תוסף vLLM מוצמד ל־0.32.0, כאשר תמיכת ה-upstream מתוארת כעבודה בתהליך.

ההסתייגות הכנה ברשימה הזו היא שרוחב ועומק באים זה על חשבון זה. מודל שאומן על 40 שפות ושבע משפחות משימות מפזר את היכולת שלו; מודל שאומן על שבע שפות אירופיות ועל תמלול בלבד יכול להשקיע את כולה שם. פער משוקלל של 0.53 נקודות הוא בדיוק איך שנראית החלופה הזו כשהיא משתלמת.

מספרי המנות, קראו בעיון

שני הספקים מודדים ביצועים על אותו כרטיס, מה שהופך את ההשוואה הזו לנקייה באופן חריג — וקלה באופן חריג לטעות בה.

• Salesforce, ‏SOV-Transcribe-1 — עד 1,039 שניות אודיו לשנייה על כרטיס RTX PRO 6000 Blackwell Server Edition אחד, עם מודל הטיוטה DFlash מופעל, על גרסת פיתוח של vLLM, ב-max_num_seqs=64.

• NVIDIA, Nemotron 3.5 Transcribe — עד 2,238 שניות של אודיו בשנייה על אותו כרטיס ב-NVFP4 עם פענוח ספקולטיבי DFlash2, ומחזיר תמלול של קטע באורך 30 שניות בתוך 0.13 שניות.

הנתון של NVIDIA הוא יותר מכפול, ו-NVIDIA מסבירה מדוע בכרטיס המודל שלה: האופטימיזציות האלה נמצאות ב-Nemotron Transcribe NIM ואינן בגרסת הקוד הפתוח, שאותה מתאר הכרטיס כבערך פי שניים איטית יותר ומיועדת לפיתוח מודלים. לכן ההשוואה בתנאים זהים — vLLM פתוח מול vLLM פתוח, על כרטיס אחד — היא בערך 1,119 לעומת 1,039 שניות-אודיו לשנייה. NVIDIA עדיין מובילה, בכשמונה אחוזים, והיא מובילה בעוד שהיא גם המודל עם תוויות דובר וחותמות זמן בזרם הפלט.

מה שזה אומר לקונה הוא שלא קונים אף אחד מהמודלים בגלל תפוקה. שניהם מנצלים כרטיס מודרני במלואו; שניהם זקוקים לכרטיס ייעודי. ההחלטה היא איזה פלט אתה צריך ואיזו הורדה אתה יכול להריץ, ובשאלה השנייה Nemotron מנצח באופן מוחלט, מפני שצ'קפוינט NVFP4 רץ על חומרה שעולה חלק מהמחיר של רכיב שרת של 96 GB, בעוד שלמודל של Salesforce אין גרסה מכומתת להריץ.

היכן ש-SOV-Transcribe-1 הוא באמת הבחירה הטובה יותר

שלושה מקרים, והראשון הוא המובן מאליו. אם אנגלית היא השפה ודיוק הישויות הוא המוצר, 2.28% לעומת 2.81% במדד המשולב הוא הבדל ממשי, והמשטח החלש ביותר של מודל Salesforce — 4.06% ב-Earnings22-Cleaned — עדיין טוב יותר ממה שהמדד המשולב מרמז לגבי המתחרים. ב-Contextual Earnings-22, SOV-Transcribe-1 מדווח שמדד F1 של מילות מפתח עולה מ-71.9 ל-96.8 עם הרמזים של הקליפ עצמו, ונשאר על 94.0 כאשר נותנים לו את רשימת מילות המפתח של השעה המלאה כמסיחים. NVIDIA מדווחת על המספרים שלה ל-Contextual Earnings22 בשיעור שגיאות מילים ולא ב-F1, מ-12.54% ללא הקשר ל-9.58% מקומי, כך שאי אפשר להשוות בין השניים ישירות — אבל צורת התוצאה, שרשימות רמזים עוזרות ורשימות רמזים עתירות מסיחים עדיין עוזרות, זהה בשניהם.

המקרה השני הוא רישוי. Apache 2.0 לעומת OpenMDW-1.1 אינו עניין של פורמליות עבור חברה שלבדיקה המשפטית שלה יש דעות לגבי יצירות נגזרות. אם בכוונתך לכוונן ולפיץ מחדש, או להטמיע את המודל במוצר שאתה משווק, מסלול Apache קצר יותר.

השלישי הוא פשטות ההיקף. מודל שעושה דבר אחד מחזיר דבר אחד, וקל יותר להבין צינור שמצפה למחרוזת תמלול מאשר כזה שמקבל אובייקט מובנה עם תגי דובר, חותמות זמן ושדה שגיאת יישור שאולי אינו נחוץ לו. צוותים שרוצים להחזיק בעצמם את הדיאריזציה — מפני שכבר מריצים מודל הטמעת דוברים שהם סומכים עליו — מקבלים קלט נקי יותר מהמודל הצר יותר.

לבחור ביניהם ללא טבלת מובילים

אם האודיו הוא פגישה, שיחה עם יותר מקול אחד, או כל דבר שבו "מי אמר את זה" הוא חלק מהתוצר, התשובה היא Nemotron 3.5 Transcribe ושאלת הדיוק אינה רלוונטית — SOV-Transcribe-1 אינה יכולה להפיק את השדה. אם האודיו אינו באנגלית, הדבר נכון גם כן, ואף ביתר חריפות. אם ההקלטות נמשכות יותר משלושים דקות או שצריך להריץ אותן על חומרה קטנה מכרטיס מרכז נתונים, שוב NVIDIA.

אם האודיו באנגלית, מדובר בדובר יחיד או שכבר בוצעה בו דייריזציה במעלה הזרם, משכו פחות מחצי שעה, והתוצר הוא טקסט עם שמות העצם הפרטיים הנכונים, SOV-Transcribe-1 הוא המתמלל המדויק יותר הזמין היום, ורישיון Apache חוסך משא ומתן. זהו סט צר יותר של עומסי עבודה מזה שמשתמע מכיסוי ההשקה, והוא אמיתי.

גם כאן צינורות משולבים הם התוצאה הרגילה, והם מעלים שאלה מעשית שאף כרטיס מודל אינו מתייחס אליה: מה קורא את התמלול לאחר מכן. OrcaRouter מציבה למעלה מ-200 מודלים של טקסט, תמונה ווידאו מאחורי מפתח אחד במחיר המחירון של הספק וללא תוספת של 0%, כך שמודול הסיכום או החילוץ במורד הזרם יכול להיות מוחלף או לעבור failover בלי חוזה נוסף — שימושי כשמקור התמלול עדיין נמצא בהחלטה. אף אחד ממודלי הדיבור הללו אינו מוגש דרכו, ואנחנו לא טוענים אחרת; הניתוב מתחיל היכן שהטקסט מתחיל.

מה שהשתנה בשבועיים שבין שתי ההפצות האלה הוא לא איזה מודל יושב בראש טבלת המודלים עם המשקלים הפתוחים. אלא שהטבלה כבר אין לה תשובה חד-משמעית, והתשובה תלויה כעת בשאלה אם אתם קונים מתמלל או צינור תמלולים. אנבידיה מוכרת את השני. סיילספורס פרסמה את הראשון, ועשתה זאת מצוין.