SOV-Transcribe-1 לעומת Whisper Large v3 Turbo: כמה שווים שנתיים ו-2.3 נקודות של WER

Whisper Large v3 Turbo אינו מתחרה ב-SOV-Transcribe-1 בשום מובן מסחרי. הוא המודל הדומיננטי הקיים — צ'קפוינט בעל 809 מיליון פרמטרים ברישיון MIT שפורסם באוקטובר 2024, יושב בשקט מתחת לחלק ניכר מכל מוצר תמלול שיצא מאז, ועדיין מופיע בנקודות קצה מתארחות במחיר 0.67 דולר לאלף דקות. SOV-Transcribe-1 הוא המאתגר, שפורסם על ידי Salesforce ב-12 בנובמבר 2026, והשיג 2.28% לעומת 4.62% של Whisper Large v3 Turbo בציון המשולב של Artificial Analysis. לכן השאלה אינה איזה מודל טוב יותר. השאלה היא אם הפחתת שיעור השגיאה בחצי שווה הורדה של 53 GB, כרטיס GPU עם 96 GB ומחסנית הגשה, כאשר החלופה נכנסת לזיכרון של מחשב נייד ועולה פרוטות לשעת אודיו.

מה שנתיים של התקדמות באמת השיגו

Whisper Large v3 Turbo הוא Whisper large-v3 מגוזם, כאשר המפענח קוצץ מ-32 שכבות ל-4. כרטיס המודל של OpenAI עצמה ישיר באופן מפתיע לגביו: "אותו מודל בדיוק, אלא שמספר שכבות הפענוח צומצם מ-32 ל-4. כתוצאה מכך, המודל מהיר בהרבה, על חשבון ירידה קלה באיכות." המשפט הזה מתאר החלטת דחיסה, לא ארכיטקטורה.

SOV-Transcribe-1 הוא סוג שינוי אחר. Salesforce שמרה על מקודד Whisper large-v3 — אותו קצה קדמי — והחליפה את מפענח ארבע השכבות במודל שפה מסוג תערובת מומחים Gemma 4 26B A4B מאחורי מקרן. תפיסת השמע נורשה מ-Whisper. הדבר שהופך שמע למילים הוא מודל שפה כללי שגדול פי שלושים מה-checkpoint כולו של Whisper turbo.

• פרמטרים — Whisper Large v3 Turbo 809M לעומת SOV-Transcribe-1 26.6B סה״כ, 4.6B פעילים.

• מפענח — 4 שכבות Transformer לעומת תערובת מומחים של 26B עם 4.6B פעילים לכל טוקן.

• גודל ה-checkpoint — פחות מ-2 GB לעומת כ-53 GB ב-BF16.

• שפות — כמאה לעומת שבע. זה הולך בכיוון ההפוך, וזה הולך חזק.

• חותמות זמן — פלט ברמת משפט וברמת מילה המובנה בלולאת הפענוח, לעומת ללא תיעוד.

• רישיון — MIT לעומת Apache 2.0. שניהם מתירניים; MIT פשוט marginally יותר.

• חומרה — מעבד או GPU קטן לעומת כרטיס מדרג RTX PRO 6000 עם 96 GB עבור התצורה שבה draft מופעל.

השורה האחרונה היא כל הטיעון בזעיר אנפין. מודל אחד פועל בכל מקום; האחר פועל על רכיב שרת שעולה יותר מכל חשבון הענן השנתי של רוב פרויקטי התמלול.

חשבון השגיאות שאיש לא עושה

שיעור שגיאות מילים הוא הפשטה עד שממירים אותו לתיקונים. קחו קורפוס של אלף דקות של דיבור באנגלית בקצב שיחתי של 150 מילים בדקה — 150,000 מילים. בשיעור של 4.62%, Whisper Large v3 Turbo מייצר בערך 6,900 מילים שגויות, חסרות או מוחדרות. בשיעור של 2.28%, SOV-Transcribe-1 מייצר בערך 3,400. ההבדל הוא כ-3,500 מילים שאדם לא צריך למצוא ולתקן.

עכשיו תמחרו את התיקון. עורך קפדן משווה את התמלול לאודיו בקצב של אולי 200 עד 400 מילים בדקה, כך ש-3,500 פחות שגיאות משמעותן בין תשע לשמונה-עשרה דקות של סקירה אנושית שנחסכות לכל אלף דקות אודיו. בתעריף כולל של $30 לשעה זה $4.50 עד $9.00 — לעומת עלות תמלול, בצד של Whisper המתארח, של $0.67.

ההשוואה הזו היא הסיבה שרוב הצוותים לעולם אינם מבצעים הגירה. העלות האנושית של שגיאות עולה על העלות המחשובית של התמלול בסדר גודל, ולכן מודל שמחצה את מספר השגיאות אמור להיות שווה פי עשרה מהמחיר — ובפועל הוא מתחרה מול מחיר שכבר זניח. היוצא מן הכלל הוא כל תהליך שבו אף אחד לא בודק את הפלט כלל — אינדוקס אוטומטי, חיפוש, אנליטיקה, הזנת תקצורים למערכות בהמשך — כי שם השגיאות לא מתוקנות, הן מחלחלות לכל מה שקורא את התמלול לאחר מכן, והעלות מסדר שני היא זו שמכריעה.

האינדקס ששני הציונים מבוססים עליו הוא עצמו תערובת — חצי שיחת סוכן סינתטית, רבע דיבור פרלמנטרי נקרא, ורבע שיחות רווחים אמיתיות — ושתי המודלים מתנהגים באופן שונה מאוד בכל שליש. הרכיבים של Whisper Large v3 Turbo הם 3.52%, 3.97% ו-7.49% בהתאמה; של SOV-Transcribe-1 הם 1.79%, 1.50% ו-4.06%. הפער הגדול ביותר הוא בדיבור פרלמנטרי נקרא — 1.50% לעומת 3.97%, פי 2.6 — והקטן ביותר בשיחות רווחים, שבו שני המודלים מתקשים והפער הוא 4.06% לעומת 7.49%. אם השמע שלכם הוא דיבור נקרא נקי, השדרוג דרמטי. אם מדובר בשמע פיננסי מבולגן עם מספר דוברים, שני המודלים גרועים והחדש פשוט פחות גרוע.

למה Whisper עדיין מנצח בחשבונית

התחילו בהשוואה של השירות המתארח, מפני שהיא זו שרוב הצוותים באמת נתקלים בה. Whisper Large v3 Turbo זמין במחיר של $0.67 לאלף דקות מלפחות ספק אירוח אחד בלוח של Artificial Analysis, במקדם מהירות נמדד של 339.5 — כלומר 339.5 שניות של אודיו לכל שנייה של זמן שעון אמיתי. ל-SOV-Transcribe-1 אין כלל מחיר מתארח לפי דקה. Salesforce פרסמה משקלים, לא נקודת קצה, ושום דבר בלוח אינו מציג עבורו נתון של מחיר לאלף דקות.

אז ההשוואה הופכת לדולרים מול שעות GPU, וכרטיס המודל מספק עבורה נתונים מלאים באופן יוצא דופן. עם תמיכה מקורית ב-vLLM ומודל הטיוטה DFlash, כרטיס RTX PRO 6000 Blackwell Server Edition אחד מתמלל עד 1,039 שניות אודיו בשנייה. אם מריצים את הכרטיס הזה במלוא העוצמה במשך שעה, הוא מעבד 3.74 מיליון שניות אודיו — 62,340 דקות. במחיר של כמה דולרים לשעה עבור השכירות, מדובר בסדר גודל של שלושה סנטים לאלף דקות אודיו, פי עשרים זול מנקודת הקצה המתארחת הזולה ביותר של Whisper בטבלה.

המספר הזה אמיתי והוא גם המספר המטעה ביותר במאמר הזה, כי הוא מניח שהכרטיס אף פעם לא בבטלה. תעתוק דיבור מאופיין בהתפרצויות: צבר מטלות מגיע במהלך הלילה, מתנקה, ואז ה-GPU עומד בניצולת אפס במשך עשרים שעות. בקצב של 1,039 שניות אודיו לשנייה, כרטיס אחד מסיים אלף שעות אודיו בפחות משעה. כמעט אין מי שיש לו אלף שעות אודיו ביום. המסקנה הכנה היא שאירוח עצמי של כל אחד משני המודלים הוא החלטה כלכלית לגבי ניצולת, לא לגבי גודל — ושמרגע שהחלטת להריץ כרטיס בכלל, העלות השולית של המודל הטוב יותר קרובה לאפס.

שלושה דברים ש-Whisper עושה שהמודל החדש לא יכול לעשות

כיסוי השפות הוא הקריטריון הראשון, והוא בכלל לא צמוד. כרטיס המודל של Whisper Large v3 Turbo מפרט קרוב למאה שפות, מאנגלית ומנדרינית ועד וולשית, מלטית, הוואית, לאו וסונדנית. SOV-Transcribe-1 מכסה אנגלית, צרפתית, גרמנית, ספרדית, איטלקית, פורטוגזית והולנדית. עבור כל צוות שהאודיו שלו אינו אירופי, להשוואה הזו אין מערכה שנייה — Whisper אינו האפשרות החסכונית, הוא האפשרות היחידה מבין השתיים.

חותמות הזמן הן הנקודה השנייה. לולאת הפענוח של Whisper חוזה אותן באופן מובנה, וצינור העיבוד של Transformers חושף אותן ברזולוציה של משפט או מילה באמצעות ארגומנט יחיד; כך נבנו כתוביות, סימוני פרקים וחיפוש ציות על גבי Whisper במשך שנתיים. הכרטיס של SOV-Transcribe-1 מתעד תמלול, שליטה בסגנון והטיה לפי הקשר, ושום דבר על חותמות זמן. שחזורן במורד הזרם פירושו הרצת מיישר מאולץ על הפלט, שזה עוד מודל, עוד תלות ועוד מקור לשגיאה.

תרגום דיבור הוא השלישי. Whisper יכול לקחת אודיו בכל אחת משפות המקור שלו ולפלוט טקסט באנגלית ישירות, כמשימת פענוח ולא כשלב שני בצינור עיבוד. SOV-Transcribe-1 מתמלל בשפה המדוברת. אם אתה צריך כתוביות לסרט תיעודי ביפנית, Whisper עושה זאת בקריאה אחת והמודל של Salesforce לא יכול לעשות זאת כלל.

החולשות המתועדות של Whisper ראויות ליחס שווה, שכן הן הטיעון החזק ביותר בעד המעבר. כרטיס המודל של OpenAI עצמה מזהיר שהמודל מפרט הזיות — מייצר טקסט שלא נאמר — משום שאומן על נתונים רועשים עם פיקוח חלש, ושמצב זה חמור יותר בשפות עם מעט משאבים. הוא גם מציין שהארכיטקטורה של רצף-לרצף נוטה לחזרות, אשר ממותנות רק חלקית על ידי beam search ו-temperature fallback. אלה בדיוק דפוסי הכשל שהופכים צינור עיבוד ללא ביקורת למסוכן, ואליהם בדיוק כוונו שנתיים של עבודה ארכיטקטונית.

איך נראית הגירה אמיתית

כמעט אף אחד לא מחליף את Whisper ב-SOV-Transcribe-1. מנתבים ביניהם, וכלל הניתוב נכתב מעצמו מתוך המפרטים: אם האודיו באנגלית או באחת משש השפות הנוספות המכוסות, דובר יחיד, מתחת לשלושים דקות ועמוס ביישויות, שולחים אותו למודל הפתוח עם רשימת רמזים; אחרת משאירים אותו ב-Whisper. תוצאת Contextual Earnings-22 של Salesforce — F1 של מילות מפתח עולה מ-71.9 ללא רמזים ל-96.8 עם מילות המפתח של אותו קליפ, ונשאר 94.0 כשאליו מועברת רשימת מילות המפתח של השעה כולה כמסיחים — היא היכולת הספציפית שהופכת את הפיצול לכדאי, כי זה הדבר היחיד שההטיה באמצעות פרומפט קידומת של Whisper לא עושה כמעט באותה מידה.

המחיר של הפיצול הזה הוא כפילות תשתית ושתי תבניות פלט: SOV-Transcribe-1 מחזיר מחרוזת תמלול, Whisper מחזיר טקסט בתוספת מקטעי חותמות זמן, וכל מה שנמצא במורד הזרם חייב לקבל את שניהם. בפועל, רוב הצוותים מנרמלים לסכמת התמלול שלהם בנקודת הגבול ומפסיקים להתייחס לשאלה איזה מודל הפיק אותו.

מה שקורה אחרי התמלול הוא החלק שמתרחב עם הנפח, ושם מקומו של נתב ולא של ספק דיבור נוסף: OrcaRouter מציב מעל 200 מודלים של טקסט, תמונה ווידאו מאחורי מפתח אחד במחירי המחירון של הספקים עם 0% תוספת מחיר, כך שהמסכם, האינדקסר או המסווג שצורך את אחד מהתמלולים יכול להיות מוחלף או לעבור failover ללא חוזה חדש — והורדת מחיר מצד ספק באותו מודל נכנסת לתוקף כאן באותו יום. לא Whisper Large v3 Turbo ולא SOV-Transcribe-1 מוגשים דרכו; שניהם משקולות שאתם מריצים בעצמכם, והניתוב מתחיל בטקסט שהם מפיקים.

מה יהפוך את ההשוואה הזו למיושנת?

שני דברים, ושניהם סבירים במסגרת מחזור שחרור אחד. הראשון הוא צ'קפוינט SOV מכומת. היתרון המעשי של Whisper Large v3 Turbo הוא שהוא מתאים לכל מקום; בנייה ב-4-bit של מודל 26.6B עדיין תדרוש GPU רציני, אבל גרסת FP8 או NVFP4 — מהסוג ש-NVIDIA שחררה ביום הראשון עבור Nemotron 3.5 Transcribe — תעביר את המודל של Salesforce מ"רכיב למרכז נתונים" ל"רכיב לתחנת עבודה" ותמוטט חלק גדול מההתנגדות לפריסה. Salesforce כבר פרסמה בנייה של MLX ב-4-bit, מה שמרמז על הכיוון.

השני הוא חותמות זמן ודיאריזציה שמגיעות בעדכון נקודתי. שניהם נעדרים באופן בולט, שניהם תנאי סף למוצרי פגישות ומדיה, ושניהם בדיוק מסוג הדברים שכרטיס מודל v0.2 מוסיף. אם הם יגיעו, הסיבה היחידה שנותרה להריץ את Whisper היא מאה השפות — ולחלק גדול מהצוותים, זו הסיבה היחידה שהם מריצים אותו כיום.

עד אז החלוקה יציבה וקלה להצדקה: Whisper Large v3 Turbo נשאר ברירת המחדל הנכונה לכל דבר רב-לשוני, עם חותמות זמן, בזנב הארוך או תלוי CPU, ו-SOV-Transcribe-1 הוא המומחה שאליו פונים כאשר האודיו באנגלית, אוצר המילים ידוע ואף אחד לא הולך לקרוא את הפלט לפני שמכונה עושה זאת.