SOV-Transcribe-1 vs Gemini 3.5 Transcribe: tre decimi di punto e tutto il resto

Nella classifica speech di Artificial Analysis i due modelli distano 0,32 punti percentuali — SOV-Transcribe-1 a 2,28% AA-WER, Gemini 3.5 Transcribe a 2,60% — ed è il divario più piccolo dell'intera comparazione. Tutti gli altri divari sono più ampi. Gemini 3.5 Transcribe copre oltre 85 lingue contro sette, identifica fino a otto parlanti dove il modello Salesforce non ne identifica nessuno, genera timestamp a livello di parola e dispone di un endpoint live separato per lo streaming. SOV-Transcribe-1 è a pesi aperti con licenza Apache 2.0, gira su una GPU di tua proprietà e accetta un elenco di parole chiave che corregge in modo misurabile nomi e ticker. Scegliere tra i due non è una questione di accuratezza. È una questione di se stai comprando una trascrizione o una pipeline.

Che cosa è ciascuno

SOV-Transcribe-1 è il primo modello linguistico con capacità vocali di Salesforce con pesi aperti, pubblicato il 12 novembre 2026 come salesforce-sovereign-intelligence/SOV-Transcribe-1: un encoder Whisper large-v3 che alimenta un decoder mixture-of-experts Gemma 4 26B A4B, con 26,6 miliardi di parametri totali e 4,6 miliardi attivi, in un checkpoint BF16 da 53 GB. Non è in streaming, gestisce fino a 30 minuti di audio a 16 kHz per richiesta ed è controllato da istruzioni nel messaggio dell'utente anziché da parametri.

Gemini 3.5 Transcribe è il modello speech-to-text ospitato da Google, aggiornato l'ultima volta ad agosto 2026 e raggiungibile tramite l'API Gemini come gemini-3.5-transcribe, con una variante streaming via WebSocket chiamata gemini-3.5-transcribe-live. Accetta audio fino a un'ora per richiesta — trenta minuti quando la diarizzazione o i timestamp sono attivati — e restituisce testo più annotazioni a livello di parola. Non ci sono pesi da scaricare né server da dimensionare.

Il divario di accuratezza, scomposto

AA-WER v2 è un composito ponderato: AA-AgentTalk al 50%, VoxPopuli-Cleaned al 25%, Earnings22-Cleaned al 25%. Suddividere i due modelli tra queste componenti è più informativo del dato aggregato, perché il vantaggio del modello Salesforce non è distribuito in modo uniforme.

• AA-AgentTalk — SOV-Transcribe-1 all'1,79%. Questo è il set conversazionale sintetico a peso dimezzato, ed è il punto in cui il modello Salesforce è più forte rispetto a qualsiasi altra cosa nella classifica.

• VoxPopuli-Cleaned — SOV-Transcribe-1 all'1,50%. Parlato parlamentare letto, e le lingue europee nella sua miscela di addestramento sono esattamente quelle da cui attinge questo set.

• Earnings22-Cleaned — SOV-Transcribe-1 al 4,06%. Veri earnings call: nomi, ticker, numeri, sovrapposizioni di voci. La superficie peggiore del modello, e quella più vicina all'audio aziendale.

Google non pubblica una scomposizione per componente per Gemini 3.5 Transcribe sugli stessi tre set, quindi l'affermazione onesta è che il composito favorisce Salesforce di 0,32 punti e il quadro per dataset di Google non è pubblicamente visibile. Chiunque sostenga una vittoria netta, ad esempio sull'audio dei call center, sta estrapolando da un composito ponderato per metà verso la conversazione sintetica.

Dove il modello ospitato è semplicemente in vantaggio

Quattro funzionalità sul lato Google non hanno un corrispettivo nella release Salesforce, e ciascuna determina una categoria di prodotto.

• Lingue — oltre 85 con rilevamento automatico e commutazione di codice a metà sessione, contro sette lingue europee. Se il tuo audio include mandarino, hindi, arabo o giapponese, SOV-Transcribe-1 non è un candidato e il confronto dell'accuratezza è irrilevante.

• Struttura dei parlanti — diarizzazione fino a otto parlanti, con l'attribuzione oltre i tre parlanti etichettata come sperimentale. SOV-Transcribe-1 non documenta affatto la diarizzazione; la trascrizione di una chiamata tra due persone viene restituita come un unico blocco di testo indifferenziato.

• Timestamp — output a livello di parola sull'endpoint batch. Il modello di Salesforce restituisce una stringa di trascrizione, quindi la generazione dei sottotitoli o la ricerca di conformità per timestamp va costruita a valle.

• Streaming — un endpoint live dedicato con sessioni di dieci minuti e trasporto WebSocket bidirezionale. SOV-Transcribe-1 è esplicitamente non-streaming; non esiste alcuna modalità di trascrizione parziale da abilitare.

C'è una quinta differenza che non è una funzionalità ma un vincolo. La documentazione di Google stessa segnala che i timestamp a livello di parola degradano l'accuratezza della trascrizione e sono incompatibili con il vocabolario personalizzato, e che anche la diarizzazione è incompatibile con il bias del vocabolario. Il modello ospitato ti fa scegliere quale capacità desideri per ogni richiesta. Il modello Salesforce ti fa scegliere una volta sola, a livello di "nessuna diarizzazione, mai".

Dove il modello aperto è in vantaggio, al di là del punteggio

La risposta ovvia è la residenza dei dati, ed è quella giusta per una larga parte degli acquirenti: pesi Apache 2.0 su hardware che controlli significa che l'audio non lascia mai l'edificio. Per le registrazioni dei call center nei servizi finanziari o sanitari, ciò è spesso un requisito imprescindibile più che una preferenza, e nessuna API ospitata lo soddisfa indipendentemente dal WER.

La risposta meno ovvia è il biasing. Su Contextual Earnings-22, SOV-Transcribe-1 porta il keyword F1 da 71,9 senza suggerimenti a 96,8 fornendo le keyword della clip stessa, e mantiene 94,0 quando riceve l'elenco completo delle keyword dell'ora con la maggior parte delle voci come distrattori. Anche Gemini offre il biasing con vocabolario personalizzato, fino a 1.000 termini con i risultati migliori riportati intorno a 100 — ma non può essere combinato con la diarizzazione o i timestamp che potresti volere. Se l'accuratezza delle entità è ciò che conta, entrambi i modelli possono farlo; solo uno dei due può farlo emettendo anche le etichette dei parlanti.

Il terzo è il controllo dello stile. SOV-Transcribe-1 è stato addestrato a ricevere istruzioni — testo letterale oppure ripulito, cifre oppure parole, riempitivi mantenuti o eliminati — e Salesforce riporta un WER preference-aware del 5,05% con l'istruzione fornita. L'equivalente di Google è "Smart transcription", che copre la rimozione dei riempitivi e la formattazione consapevole dell'intento, ma è una modalità anziché una superficie di istruzioni.

Il confronto dei costi che conta davvero

Google pubblica Gemini 3.5 Transcribe a $2,00 per milione di token di input audio e $12,00 per milione di token di output, che la pagina dei prezzi converte in circa $0,003 al minuto in input e $0,002 al minuto in output, ovvero circa $0,005 al minuto in media. La classifica di Artificial Analysis riporta lo stesso modello a $5,00 per 1.000 minuti. In ogni caso, mille minuti di audio costano circa cinque dollari.

SOV-Transcribe-1 non ha un prezzo al minuto perché Salesforce non vende alcun endpoint. Il dato comparabile è la velocità effettiva: con il supporto nativo per vLLM e il modello draft DFlash, una RTX PRO 6000 Blackwell Server Edition trascrive fino a 1.039 secondi di audio al secondo. A quel ritmo una singola scheda copre mille minuti in circa un minuto di tempo reale, quindi il punto di pareggio rispetto a un'API da $5 per 1.000 minuti si raggiunge a qualsiasi volume significativo — e non si raggiunge affatto se trascrivi tre ore a settimana e dovresti noleggiare la scheda a ore per farlo.

Due avvertenze accompagnano quel calcolo. Il valore 1.039 è una misurazione della build di sviluppo di vLLM di novembre 2026 con max_num_seqs=64, che è anche l'impostazione necessaria per mantenere la profilazione di avvio entro 96 GB una volta caricato il modello draft. E l'integrazione è un plugin vincolato a vLLM 0.32.0, con il supporto upstream nativo descritto come lavoro in corso. Non stai solo acquistando una GPU; stai mantenendo uno stack di serving.

Regole decisionali

Ricorri a Gemini 3.5 Transcribe quando è vera una qualsiasi di queste condizioni: l'audio non è in una delle sette lingue europee, ti servono etichette di interlocutore o timestamp come output di primo livello, ti servono trascrizioni parziali mentre l'audio è ancora in arrivo, oppure il tuo volume è così basso che una GPU non si ripaga mai. Il deficit di accuratezza di 0,32 punti è un costo reale, ma è un costo misurato su un punteggio composito ponderato per metà verso la conversazione sintetica, e ti dà quattro capacità che altrimenti dovresti costruire.

Scegli SOV-Transcribe-1 quando l'audio è prevalentemente in inglese e ricco di entità, quando il vocabolario è noto in anticipo, quando le registrazioni durano meno di trenta minuti e quando "l'audio resta sul nostro hardware" è una clausola di un contratto anziché una preferenza. La trascrizione notturna in batch delle chiamate di vendita registrate è il carico di lavoro per cui questo modello è chiaramente progettato.

Gli ambienti misti sono l'esito comune, e la parte problematica non è mai la trascrizione. È che la trascrizione alimenta un secondo modello — un riassuntore, un classificatore, un agente QA — e cambiare quel consumatore significa un nuovo fornitore, una nuova chiave e una nuova fattura. OrcaRouter elimina quel passaggio: oltre 200 modelli di testo, immagine e video dietro un'unica chiave ai prezzi di listino dei fornitori con markup dello 0%, così il modello a valle della trascrizione può essere sostituito o commutato in failover senza toccare minimamente la pipeline di trascrizione. Non ospita nessuno dei due modelli vocali, e non ne ha bisogno. Il livello di trascrizione resta dov'è; il routing inizia con il testo che produce.

L'unica cosa da non fare è considerare decisivo il divario di 0,32 punti. È il numero più piccolo del confronto e, per la maggior parte dei team, il meno rilevante.