SOV-Transcribe-1 vs GPT Transcribe: Satu Menerbitkan Tolok Ukur, yang Lain Menerbitkan Harga

OpenAI belum pernah menerbitkan word error rate untuk GPT Transcribe. Model itu muncul dalam dokumentasi API sebagai snapshot dengan harga dan daftar endpoint, dan itulah seluruh catatan publiknya — tidak ada tabel akurasi, tidak ada daftar bahasa, tidak ada perbandingan dengan pendahulunya. Artinya, satu-satunya angka yang bisa dipertahankan dalam perbandingan ini berasal dari harness milik pihak lain: Artificial Analysis mengukur GPT Transcribe pada 3,31% AA-WER, dibandingkan dengan 2,28% untuk SOV-Transcribe-1, model open-weight Salesforce yang dirilis pada 12 November 2026. Selisih satu poin penuh word error memisahkan keduanya, dan itu adalah fakta yang paling tidak berguna dalam artikel ini. Fakta yang berguna adalah bahwa GPT Transcribe melakukan streaming secara real time melalui sesi WebSocket dan SOV-Transcribe-1 sama sekali tidak dapat melakukan streaming, bahwa yang satu berbiaya $0,0045 per menit dan yang lain membutuhkan GPU, dan bahwa tidak ada vendor yang akan memberi tahu Anda bagaimana perilaku kedua model pada audio Anda.

Apa yang sebenarnya didokumentasikan O​penAI

Snapshot ini disebut gpt-transcribe. Snapshot ini menangani file audio yang telah selesai, transkrip file yang dialirkan, dan giliran yang telah dikomit dalam sesi Realtime melalui WebSocket — jadi streaming adalah kemampuan yang didokumentasikan dengan transportasinya sendiri, bukan flag pada panggilan batch. Halaman katalog juga mencatat dukungan untuk konteks tidak terstruktur, petunjuk kata kunci, dan beberapa petunjuk bahasa, yang merupakan bentuk bias yang sama dengan yang ditawarkan SOV-Transcribe-1 melalui instruksi. Harga yang didokumentasikan adalah $0.0045 per menit audio, yang setara dengan $0.27 per jam audio, dan versi praktisi dari angka itu adalah bahwa seribu jam panggilan rekaman membutuhkan biaya $270 untuk ditranskripsikan.

Apa yang tidak ada juga sama informatifnya. Halaman model hanya menilai performa sebagai label kualitatif "Highest" dan kecepatan sebagai "Medium" — tidak ada WER, tidak ada akurasi per bahasa, tidak ada panjang audio maksimum yang dinyatakan sebagai batas keras, tidak ada tabel evaluasi yang membandingkannya dengan Whisper. Model ucapan OpenAI yang lebih lama, Whisper Large v3 Turbo, memiliki kartu model dengan bagian keterbatasan dan didukung oleh sebuah makalah. GPT Transcribe hanya punya harga, daftar endpoint, dan dua kata sifat. Itu bukan tuduhan — banyak model produksi dirilis tanpa evaluasi yang dipublikasikan — tetapi itu mengubah apa yang dapat diperiksa pembeli sebelum berkomitmen, dan itulah sebabnya harness independen lebih penting di sini daripada dalam perbandingan di mana kedua vendor mempublikasikan.

Angka di luar itu, dan seberapa besar bobot yang dibawanya

Artificial Analysis menjalankan G​PT Transcribe pada komposit tiga set yang sama yang digunakan untuk semua yang ada di papan tersebut: AA-AgentTalk dengan bobot 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25%. G​PT Transcribe mencetak skor 3,31%. Harness yang sama menempatkan SOV-Transcribe-1 pada 2,28%.

Baca komponennya sebelum memercayai selisih itu. Angka 2,28% SOV-Transcribe-1 adalah rata-rata dari 1,79% pada set percakapan sintetis, 1,50% pada pidato parlemen yang dibacakan, dan 4,06% pada panggilan laba nyata — sebaran antara permukaan terbaik dan terburuknya hampir tiga banding satu. Jika GPT Transcribe memiliki sebaran serupa, dan tidak ada alasan terbit yang membuat kita berpikir sebaliknya, maka selisih komposit satu poin bisa menjadi selisih dua poin pada panggilan laba dan kesalahan pembulatan pada pidato yang dibacakan. Tidak ada orang di luar Artificial Analysis yang tahu, dan Artificial Analysis menerbitkan komposit, bukan rincian per set untuk setiap model.

Angka independen kedua adalah kecepatan. Pengukuran yang sama mencatat G​PT Transcribe pada faktor kecepatan 43,1 — yaitu 43,1 detik audio yang diproses per detik waktu nyata. Sebagai perbandingan, pengukuran yang sama menempatkan Whisper Large v3 Turbo pada 339,5 dan G​emini 3.5 Transcribe pada 94,4. G​PT Transcribe adalah yang paling lambat dari keempatnya dengan selisih yang lebar, dan jika Anda mentranskripsikan arsip alih-alih panggilan telepon, itulah angka yang menentukan kedalaman antrean Anda.

Dari mana angka-angka model terbuka berasal, dan sampai di mana

2,28% SOV-Transcribe-1 bersifat independen, tetapi hampir semua hal lainnya tentangnya dilaporkan oleh Salesforce. Kartu model mengklaim tingkat full-pass 76,3% pada VoiceCodeBench, papan peringkat privat, dan pemulihan entitas 93,4% pada set yang sama; WER rata-rata 8,21% pada empat belas aksen bahasa Inggris di AppTek Call-Center Dialogues; dan 25,69% pada HALAS, set panggilan laba yang berfokus pada halusinasi. Dari jumlah tersebut, hanya komposit Artificial Analysis yang dapat direproduksi oleh pihak ketiga saat ini. Laporan teknis ditautkan sebagai "segera hadir".

Jadi, perumusan yang jujur atas perbandingan akurasi itu asimetris secara tidak nyaman: model terbuka memiliki skor independen yang lebih baik dan banyak klaim vendor yang belum diaudit, sedangkan model yang dihosting memiliki skor independen yang lebih buruk dan sama sekali tidak ada klaim vendor. Tidak ada posisi yang kuat. Jika keputusan Anda bergantung pada ketahanan terhadap aksen atau akurasi entitas, Anda sedang memilih antara slide vendor dan keheningan, dan satu-satunya cara menyelesaikannya adalah menjalankan keduanya pada beberapa ratus klip audio Anda sendiri.

Streaming adalah pembeda yang mengakhiri perbincangan

Ini bukan soal nuansa. GPT Transcribe membuka sesi transkripsi real-time melalui WebSocket dan mengembalikan teks parsial saat audio tiba. SOV-Transcribe-1 secara eksplisit non-streaming: ia menerima rekaman lengkap, hingga tiga puluh menit audio mono 16 kHz, dan mengembalikan transkrip lengkap. Tidak ada mode output parsial yang dapat diaktifkan dan tidak ada konfigurasi yang menghasilkannya.

Untuk produk takarir langsung, agen suara, overlay bantuan agen pusat panggilan, atau apa pun yang mengharuskan transkrip sudah ada sebelum pembicara berhenti berbicara, perbandingannya sudah selesai sebelum akurasi dibahas. SOV-Transcribe-1 bukan opsi yang lebih lambat; ini bukan opsi. Sebaliknya, jika beban kerjanya adalah transkripsi batch semalam atas panggilan yang direkam — yang sebenarnya merupakan sebagian besar volume ucapan perusahaan — streaming adalah kemampuan yang akan Anda bayar tetapi tidak akan pernah digunakan, dan keunggulan akurasi 1,03 poin itu adalah uang gratis.

Perbedaan struktural kedua berada di bawah perbedaan itu. GPT Transcribe adalah endpoint terkelola: nama snapshot-nya tetap, format respons dapat diubah oleh OpenAI, dan versi yang Anda panggil setahun dari sekarang tetap memakai nama yang sama dengan perbaikan apa pun yang dikirim di baliknya. SOV-Transcribe-1 mengembalikan string transkrip dan tidak ada yang lain — tanpa stempel waktu kata, tanpa label pembicara — yang merupakan biaya nyata, tetapi itu juga berarti format keluarannya adalah apa pun yang dibuat oleh kode hilir Anda darinya, dan bobot yang Anda unduh tidak pernah berubah tanpa Anda sadari kecuali Anda menggantinya.

Perbandingan biaya, dengan perhitungan aritmetika yang ditampilkan

G​PT Transcribe diberi harga per menit audio: $0,0045, jadi $4,50 per seribu menit, yang persis sama dengan angka yang tercantum di papan Artificial Analysis. Tidak ada penghitungan token yang perlu dimodelkan dan tidak ada tingkatan diskon yang didokumentasikan.

Tidak ada angka per menit di sisi Salesforce untuk diletakkan di sampingnya, karena tidak ada yang perlu dibeli per menit. Kartu ini menawarkan throughput sebagai gantinya: dengan dukungan vLLM native dan model draf DFlash, satu RTX PRO 6000 Blackwell Server Edition mentranskripsikan hingga 1.039 detik audio per detik, dan mengembalikan transkrip klip tiga puluh detik dalam 0,22 detik. Seribu menit audio adalah 60.000 detik, jadi pada laju itu selesai dalam waktu kurang dari satu menit waktu GPU.

Ditempatkan berdampingan, kedua angka itu menunjukkan sesuatu yang spesifik. Dengan tarif $4.50 per seribu menit, G​PT Transcribe memakan biaya $4.50 untuk pekerjaan yang dilakukan model terbuka dalam sekitar 58 detik pada satu kartu. RTX PRO 6000 sewaan berjalan dengan biaya beberapa dolar per jam di kisaran satu digit rendah, jadi jalur terbuka lebih murah pada volume berkelanjutan berapa pun — tetapi hanya jika kartunya sibuk. Pada tiga jam audio per minggu, kartu tersebut menganggur 99% waktu dan API adalah jawaban yang lebih murah sepuluh kali lipat, bahkan sebelum siapa pun memperhitungkan engineer yang memelihara plugin vLLM yang dipatok ke versi 0.32.0.

Dua catatan penting tentang angka throughput, keduanya berasal dari kartu model. Ini adalah pengukuran build pengembangan dari November 2026, dan memerlukan max_num_seqs=64 agar profiling saat startup tetap berada dalam 96 GB kartu setelah model draf dimuat. Nilai default 1.024 sekuens bersamaan tidak akan muat. Anda sedang menentukan ukuran server, bukan memanggil endpoint.

Jalan tengah, dan di mana router berperan

Sebagian besar tim yang sampai di titik ini tidak memilih salah satu. Mereka tetap memakai API hosted untuk segala hal yang interaktif dan menambahkan model terbuka untuk tumpukan arsip, yang berarti dua jalur transkripsi, dua format keluaran, dan dua pusat biaya — lalu, biasanya, satu model teks di hilir yang harus meringkas, mengklasifikasi, atau melakukan retrieval atas keduanya.

Hop terakhir itulah yang layak dirutekan. OrcaRouter menempatkan 200+ model teks, gambar, dan video di balik satu kunci dengan harga daftar penyedia dan markup 0%, sehingga perangkum atau pengklasifikasi yang membaca transkrip mana pun dapat ditukar, dibandingkan, atau dialihkan lewat failover tanpa kontrak baru — dan pemangkasan harga dari penyedia pada model teks tersebut berlaku pada hari yang sama saat berlaku di halaman harga resmi penyedia itu sendiri. Layanan ini tidak menghosting G​PT Transcribe atau SOV-Transcribe-1; kedua model suara tersebut bukan sesuatu yang kami layani, dan perutean dimulai dari teks yang dihasilkannya. Yang didapat dari itu adalah keputusan transkripsi tidak lagi terkopel dengan keputusan analisis.

Siapa yang harus memilih yang mana

Pilih G​PT Transcribe ketika transkrip harus sudah ada saat audio masih diputar, ketika Anda tidak memiliki kapasitas operasional GPU dan tidak berminat membangunnya, ketika volumenya cukup moderat sehingga $0,27 per jam audio hanyalah kesalahan pembulatan dibandingkan waktu engineering, atau ketika Anda sekadar memerlukan vendor dengan kontrak dukungan di balik endpoint. Terima selisih akurasi 1,03 poin sebagai harga dari itu, dan perhatikan bahwa pada 43,1x realtime Anda sebaiknya tidak merencanakan untuk mengisi ulang arsip besar melaluinya.

Pilih {{1}}SOV-Transcribe-1{{/1}} saat audio didominasi bahasa Inggris, di bawah tiga puluh menit per file, dan dibutuhkan setelah kejadian, bukan selama kejadian; saat rekaman tidak dapat keluar dari infrastruktur Anda; saat kosakata sudah diketahui sebelumnya dan dapat diberikan sebagai daftar petunjuk, di mana {{2}}Salesforce{{/2}} melaporkan {{3}}F1{{/3}} kata kunci naik dari {{4}}71.9{{/4}} menjadi {{5}}96.8{{/5}} pada {{6}}Contextual Earnings-22{{/6}}; dan saat Anda sudah menjalankan {{7}}GPUs{{/7}} untuk hal lain, sehingga biaya marginal kartu tersebut mendekati nol.

Yang seharusnya tidak Anda lakukan adalah mempermasalahkan 3.31% versus 2.28%. Kedua angka itu berasal dari satu harness, dengan satu pembobotan komposit, dan rincian per set tidak diterbitkan untuk kedua model. Angka-angka itu cukup untuk mengatakan bahwa model terbuka tersebut mungkin lebih akurat pada percakapan bahasa Inggris dan ucapan yang dibacakan. Namun tidak cukup untuk mengatakan seberapa besar selisihnya pada audio Anda, dan kemampuan yang dimiliki G​PT Transcribe yang tidak dimiliki SOV-Transcribe-1 — streaming, endpoint terkelola, petunjuk kata kunci dan bahasa tanpa stack penyajian, serta kontrak vendor di balik uptime — sama sekali tidak diukur oleh WER.