SOV-Transcribe-1 vs Gemini 3.5 Transcribe: Selisih Tiga Persepuluh Poin, dan Segala Hal Lainnya

Di papan pidato Artificial Analysis, kedua model terpaut 0,32 poin persentase — SOV-Transcribe-1 pada 2,28% AA-WER, Gemini 3.5 Transcribe pada 2,60% — dan itu adalah selisih terkecil dalam seluruh perbandingan ini. Semua lainnya lebih lebar. Gemini 3.5 Transcribe mencakup 85 lebih bahasa versus tujuh, mengidentifikasi hingga delapan pembicara sedangkan model Salesforce tidak mengidentifikasi satu pun, menghasilkan stempel waktu tingkat kata, dan memiliki endpoint live terpisah untuk streaming. SOV-Transcribe-1 adalah bobot terbuka di bawah Apache 2.0, berjalan di GPU milik Anda, dan menerima daftar kata kunci yang secara terukur memperbaiki nama dan kode saham. Memilih di antara keduanya bukanlah pertanyaan tentang akurasi. Ini adalah pertanyaan tentang apakah Anda membeli transkrip atau membeli pipeline.

Apa itu masing-masing

SOV-Transcribe-1 adalah model bahasa dengan augmentasi ucapan berbobot terbuka pertama dari Salesforce, diterbitkan pada 12 November 2026 sebagai salesforce-sovereign-intelligence/SOV-Transcribe-1: encoder Whisper large-v3 yang memberi masukan ke decoder mixture-of-experts Gemma 4 26B A4B, total 26,6B parameter dan 4,6B aktif, dalam checkpoint BF16 53 GB. Model ini bersifat non-streaming, menangani audio 16 kHz hingga 30 menit per permintaan, dan dikendalikan oleh instruksi dalam pesan pengguna, bukan oleh parameter.

Gemini 3.5 Transcribe adalah model ucapan-ke-teks yang dihosting Google, terakhir diperbarui pada Agustus 2026 dan dapat diakses melalui Gemini API sebagai gemini-3.5-transcribe, dengan versi streaming WebSocket pendamping bernama gemini-3.5-transcribe-live. Model ini menerima audio hingga satu jam per permintaan — tiga puluh menit saat diarization atau timestamp diaktifkan — dan mengembalikan teks plus anotasi kata. Tidak ada bobot yang perlu diunduh dan tidak ada server yang perlu ditentukan ukurannya.

Kesenjangan akurasi, diuraikan

AA-WER v2 adalah komposit berbobot: AA-AgentTalk 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25%. Memisahkan kedua model di antara komponen-komponen tersebut lebih informatif daripada angka utamanya, karena keunggulan model Salesforce tidak tersebar secara merata.

• AA-AgentTalk — SOV-Transcribe-1 pada 1,79%. Ini adalah kumpulan percakapan sintetis berbobot setengah, dan di sinilah model Salesforce paling kuat dibandingkan dengan apa pun di papan peringkat.

• VoxPopuli-Cleaned — SOV-Transcribe-1 pada 1,50%. Berisi pidato parlemen yang dibacakan, dan bahasa-bahasa Eropa dalam campuran pelatihannya persis sama dengan yang dijadikan sumber kumpulan data ini.

• Earnings22-Cleaned — SOV-Transcribe-1 sebesar 4,06%. Panggilan earnings sungguhan: nama, ticker, angka, crosstalk. Area terburuk model ini, dan yang paling dekat dengan audio perusahaan.

Google tidak menerbitkan rincian komponen untuk Gemini 3.5 Transcribe pada tiga set yang sama, jadi pernyataan yang jujur adalah bahwa komposit memberi keunggulan kepada Salesforce sebesar 0,32 poin dan gambaran per-dataset untuk Google tidak terlihat secara publik. Siapa pun yang mengklaim kemenangan bersih pada, misalnya, audio pusat panggilan sedang mengekstrapolasi dari komposit yang setengah bobotnya diarahkan ke percakapan sintetis.

Di mana model yang dihosting memang lebih unggul

Empat kemampuan di sisi Google tidak memiliki padanan dalam rilis Salesforce, dan masing-masing menentukan satu kategori produk.

• Bahasa — 85 lebih dengan deteksi otomatis dan peralihan kode di tengah sesi, dibandingkan tujuh bahasa Eropa. Jika audio Anda mencakup bahasa Mandarin, Hindi, Arab, atau Jepang, SOV-Transcribe-1 bukan kandidat dan perbandingan akurasinya tidak relevan.

• Struktur pembicara — diarisasi untuk hingga delapan pembicara, dengan atribusi di luar tiga pembicara dilabeli eksperimental. SOV-Transcribe-1 tidak mendokumentasikan diarisasi sama sekali; transkrip panggilan dua orang dikembalikan sebagai satu blok teks yang tidak terbedakan.

• Stempel waktu — keluaran tingkat kata pada endpoint batch. Model Salesforce menghasilkan string transkrip, sehingga pembuatan subtitel atau pencarian kepatuhan berdasarkan stempel waktu harus dibangun di hilir.

• Streaming — endpoint live khusus dengan sesi sepuluh menit dan transport WebSocket dua arah. SOV-Transcribe-1 secara eksplisit non-streaming; tidak ada mode transkrip parsial untuk diaktifkan.

Ada perbedaan kelima yang bukan fitur melainkan batasan. Dokumentasi Google sendiri menandai bahwa stempel waktu tingkat kata menurunkan akurasi transkripsi dan tidak kompatibel dengan kosakata khusus, dan bahwa diarisasi juga tidak kompatibel dengan pembobotan kosakata. Model yang dihosting membuat Anda memilih kemampuan mana yang Anda inginkan per permintaan. Model Salesforce membuat Anda memilih sekali, pada tingkat "tidak ada diarisasi, selamanya".

Di mana model terbuka lebih unggul, melampaui skor

Jawaban yang jelas adalah residensi data, dan itu adalah jawaban yang tepat bagi sebagian besar pembeli: bobot Apache 2.0 pada perangkat keras yang Anda kendalikan berarti audio tidak pernah meninggalkan gedung. Untuk rekaman pusat panggilan di jasa keuangan atau layanan kesehatan, itu sering kali merupakan persyaratan mutlak, bukan preferensi, dan tidak ada API yang dihosting yang dapat memenuhinya, terlepas dari WER.

Jawaban yang kurang terduga adalah biasing. Pada Contextual Earnings-22, SOV-Transcribe-1 menaikkan F1 kata kunci dari 71.9 tanpa petunjuk menjadi 96.8 jika diberikan kata kunci dari klip itu sendiri, dan tetap di 94.0 saat diberi daftar kata kunci satu jam penuh dengan sebagian besar entri sebagai distraktor. Gemini juga menawarkan biasing kosakata khusus, hingga 1,000 istilah dengan hasil terbaik dilaporkan sekitar 100 — tetapi tidak dapat digabungkan dengan diarisasi atau stempel waktu yang mungkin juga Anda inginkan. Jika akurasi entitas adalah produknya, kedua model dapat melakukannya; hanya salah satunya yang dapat melakukannya sekaligus mengeluarkan label pembicara.

Kontrol gaya adalah yang ketiga. SOV-Transcribe-1 dilatih untuk menerima instruksi — verbatim versus dirapikan, angka versus kata, kata pengisi dipertahankan atau dihilangkan — dan Salesforce melaporkan WER yang sadar preferensi sebesar 5,05% dengan instruksi yang diberikan. Padanan dari Google adalah "Smart transcription", yang mencakup penghapusan kata pengisi dan pemformatan yang sadar maksud, tetapi merupakan mode, bukan permukaan instruksi.

Perbandingan biaya yang benar-benar penting

Google menerbitkan Gemini 3.5 Transcribe dengan harga $2,00 per juta token input audio dan $12,00 per juta token output, yang oleh halaman harga dikonversi menjadi sekitar $0,003 per menit untuk input dan $0,002 per menit untuk output, atau sekitar $0,005 per menit secara gabungan. Papan Artificial Analysis mencantumkan model yang sama pada $5,00 per 1.000 menit. Dengan cara apa pun, seribu menit audio berbiaya sekitar lima dolar.

SOV-Transcribe-1 tidak memiliki harga per menit karena Salesforce tidak menjual endpoint. Angka yang dapat dibandingkan adalah throughput: dengan dukungan vLLM native dan model draf DFlash, satu RTX PRO 6000 Blackwell Server Edition mentranskripsikan hingga 1.039 detik audio per detik. Pada laju itu, satu kartu menyelesaikan seribu menit dalam sekitar satu menit waktu nyata, sehingga titik impas dibandingkan dengan API $5 per 1.000 menit tercapai pada volume serius apa pun — dan tidak akan pernah tercapai sama sekali jika Anda mentranskripsikan tiga jam per minggu dan harus menyewa kartu tersebut per jam untuk melakukannya.

Ada dua catatan penting yang menyertai perhitungan itu. Angka 1.039 adalah hasil pengukuran build pengembangan vLLM dari November 2026 dengan max_num_seqs=64, yang juga merupakan pengaturan yang diperlukan agar profiling saat startup tetap berada dalam 96 GB setelah model draft dimuat. Dan integrasinya adalah plugin yang dipatok ke vLLM 0.32.0, dengan dukungan native upstream yang disebut masih dalam pengerjaan. Anda tidak sekadar membeli GPU; Anda juga memelihara stack serving.

Aturan keputusan

Gunakan Gemini 3.5 Transcribe ketika salah satu dari hal berikut berlaku: audio tidak dalam salah satu dari tujuh bahasa Eropa, Anda memerlukan label pembicara atau stempel waktu sebagai keluaran kelas satu, Anda memerlukan transkrip parsial saat audio masih terus masuk, atau volume Anda cukup rendah sehingga GPU tidak akan pernah sepadan dengan biayanya. Kekurangan akurasi 0,32 poin adalah biaya nyata, tetapi itu adalah biaya yang diukur pada komposit yang separuh bobotnya condong ke percakapan sintetis, dan biaya itu membeli empat kemampuan yang jika tidak, harus Anda bangun sendiri.

Pilih SOV-Transcribe-1 saat audionya didominasi bahasa Inggris dan sarat entitas, saat kosakatanya sudah diketahui sebelumnya, saat rekamannya berdurasi di bawah tiga puluh menit, dan saat "audio tetap berada di perangkat keras kami" merupakan klausul dalam kontrak, bukan sekadar preferensi. Transkripsi batch semalam untuk panggilan penjualan yang direkam adalah beban kerja yang jelas dirancang untuk model ini.

Estate campuran adalah hasil yang umum, dan bagian yang merepotkan bukanlah transkripsinya. Masalahnya adalah transkripsi memberi masukan ke model kedua — summariser, classifier, agen QA — dan mengganti konsumen tersebut berarti vendor baru, kunci baru, dan tagihan baru. OrcaRouter menghilangkan langkah itu: 200+ model teks, gambar, dan video di balik satu kunci dengan harga daftar penyedia tanpa markup 0%, sehingga model di hilir transkrip dapat ditukar atau dialihkan saat gagal tanpa menyentuh pipeline transkripsi sama sekali. Layanan ini tidak menghosting salah satu model ucapan tersebut, dan memang tidak perlu. Lapisan transkripsi tetap di tempatnya; perutean dimulai dari teks yang dihasilkannya.

Satu hal yang tidak boleh dilakukan adalah menganggap selisih 0,32 poin sebagai keputusan. Itu adalah angka terkecil dalam perbandingan dan, bagi sebagian besar tim, yang paling tidak berdampak.