SOV-Transcribe-1 vs GPT Transcribe: uno pubblica i benchmark, l'altro pubblica un prezzo

OpenAI non ha mai pubblicato un tasso di errore di parola per GPT Transcribe. Il modello compare nella documentazione API come uno snapshot con un prezzo e un elenco di endpoint, e questo è l'intero registro pubblico — nessuna tabella di accuratezza, nessun elenco di lingue, nessun confronto con il predecessore. Il che significa che l'unico numero difendibile in questo confronto proviene dall'harness di qualcun altro: Artificial Analysis misura GPT Transcribe al 3,31% di AA-WER, contro il 2,28% di SOV-Transcribe-1, il modello open-weight di Salesforce rilasciato il 12 novembre 2026. Un intero punto percentuale di WER li separa, ed è il fatto meno utile dell'articolo. I fatti utili sono che GPT Transcribe fa streaming in tempo reale tramite una sessione WebSocket e SOV-Transcribe-1 non supporta affatto lo streaming, che uno costa $0,0045 al minuto e l'altro costa una GPU, e che nessuno dei due fornitori ti dirà come si comporta ciascuno dei due modelli sul tuo audio.

Cosa documenta effettivamente OpenAI

Lo snapshot si chiama gpt-transcribe. Gestisce file audio completati, trascrizioni di file in streaming e turni confermati nelle sessioni Realtime su WebSocket — quindi lo streaming è una capacità documentata con un proprio trasporto, non un flag sulla chiamata batch. La pagina del catalogo segnala inoltre il supporto per contesto non strutturato, suggerimenti tramite parole chiave e molteplici suggerimenti di lingua, che è la stessa forma di condizionamento che SOV-Transcribe-1 offre tramite istruzioni. Il prezzo documentato è $0,0045 per minuto audio, che equivale a $0,27 per ora di audio, e la versione pratica di quel numero è che mille ore di chiamate registrate costano $270 da trascrivere.

Ciò che è assente è altrettanto informativo. La pagina del modello valuta le prestazioni solo con un'etichetta qualitativa "Highest" e la velocità come "Medium" — nessun WER, nessuna accuratezza per lingua, nessuna lunghezza massima dell'audio indicata come limite assoluto, nessuna tabella di valutazione che lo confronti con Whisper. Il modello vocale più vecchio di O​penAI, Whisper Large v3 Turbo, ha una model card con sezioni dedicate ai limiti e un paper alle spalle. G​PT Transcribe ha un prezzo, un elenco di endpoint e due aggettivi. Non è un'accusa — molti modelli di produzione vengono rilasciati senza valutazioni pubblicate — ma cambia ciò che un acquirente può verificare prima di impegnarsi, ed è per questo che l'harness indipendente conta più qui che in un confronto in cui entrambi i fornitori pubblicano.

Il numero esterno, e quanto peso ha.

Artificial Analysis esegue GPT Transcribe sullo stesso composito a tre set che usa per tutto il resto in quella classifica: AA-AgentTalk con peso del 50%, VoxPopuli-Cleaned al 25%, Earnings22-Cleaned al 25%. GPT Transcribe ottiene un punteggio del 3,31%. Lo stesso harness colloca SOV-Transcribe-1 al 2,28%.

Leggi i componenti prima di fidarti del divario. Il 2,28% di SOV-Transcribe-1 è una media del 1,79% sul set conversazionale sintetico, dell'1,50% sul parlato parlamentare letto e del 4,06% sulle chiamate sugli utili reali — lo scarto tra la sua superficie migliore e quella peggiore è quasi di tre a uno. Se G​PT Transcribe ha uno scarto simile, e non c'è alcuna ragione pubblicata per pensare il contrario, allora un divario composito di un punto potrebbe essere un divario di due punti sulle chiamate sugli utili e un errore di arrotondamento sul parlato letto. Nessuno al di fuori di Artificial Analysis lo sa, e Artificial Analysis pubblica punteggi compositi, non ripartizioni per set per ogni modello.

Il secondo valore indipendente è la velocità. La stessa misurazione rileva per G​PT Transcribe un fattore di velocità di 43,1, ovvero 43,1 secondi di audio elaborati per ogni secondo di tempo reale. Per dare un'idea, la stessa misurazione colloca Whisper Large v3 Turbo a 339,5 e G​emini 3.5 Transcribe a 94,4. G​PT Transcribe è il più lento dei quattro, e con un ampio margine: se trascrivi un archivio anziché una telefonata, è quel numero a determinare la profondità della tua coda.

Da dove vengono i numeri del modello aperto, e dove si fermano

Il 2,28% di SOV-Transcribe-1 è indipendente, ma quasi tutto il resto che lo riguarda è riportato da Salesforce. La scheda del modello dichiara un tasso di superamento completo del 76,3% su VoiceCodeBench, una classifica privata, e un recupero delle entità del 93,4% sullo stesso set; un WER medio dell'8,21% su quattordici accenti inglesi su AppTek Call-Center Dialogues; e il 25,69% su HALAS, un set di chiamate sugli utili incentrato sulle allucinazioni. Di questi, oggi solo il composito di Artificial Analysis può essere riprodotto da una terza parte. Il rapporto tecnico è linkato come "prossimamente".

Quindi la presentazione onesta del confronto di accuratezza è asimmetrica in modo scomodo: il modello aperto ha un punteggio indipendente migliore e un ampio insieme di dichiarazioni del fornitore non verificate, mentre il modello ospitato ha un punteggio indipendente peggiore e nessuna dichiarazione del fornitore. Nessuna delle due posizioni è solida. Se la tua decisione dipende dalla robustezza agli accenti o dall'accuratezza delle entità, stai scegliendo tra una slide di un fornitore e un silenzio, e l'unico modo per risolverla è eseguire entrambi su qualche centinaio di clip del tuo audio.

Lo streaming è la differenza che pone fine alla conversazione

Non si tratta di una sfumatura. G​PT Transcribe apre una sessione di trascrizione in tempo reale tramite WebSocket e restituisce testo parziale man mano che l'audio arriva. SOV-Transcribe-1 è esplicitamente non in streaming: prende una registrazione completa, fino a trenta minuti di audio mono a 16 kHz, e restituisce una trascrizione completa. Non esiste una modalità di output parziale da abilitare né una configurazione che la produca.

Per un prodotto di sottotitolazione in tempo reale, un agente vocale, un overlay di assistenza agli agenti per call center o qualsiasi scenario in cui la trascrizione debba esistere prima che chi parla smetta di parlare, il confronto è già chiuso prima ancora di discutere l'accuratezza. SOV-Transcribe-1 non è un'opzione più lenta; non è un'opzione. Al contrario, se il carico di lavoro è la trascrizione batch notturna di chiamate registrate — che è ciò che in realtà rappresenta la maggior parte del volume vocale aziendale — lo streaming è una funzionalità per cui pagheresti senza mai usarla, e il vantaggio di accuratezza di 1,03 punti è denaro gratis.

Sotto quella si cela una seconda differenza strutturale. G​PT Transcribe è un endpoint gestito: il nome dello snapshot è fisso, il formato della risposta può essere cambiato da O​penAI, e la versione che chiamerai tra un anno è lo stesso nome, con qualunque miglioramento sia stato rilasciato dietro di esso. SOV-Transcribe-1 restituisce una stringa di trascrizione e nient'altro — nessun timestamp a livello di parola, nessuna etichetta di parlante — il che è un costo reale, ma significa anche che il formato di output è qualunque cosa il tuo codice downstream ne faccia, e i pesi che hai scaricato non cambiano mai sotto di te, a meno che tu non li sostituisca.

Il confronto dei costi, con i calcoli mostrati

GPT Transcribe ha un prezzo per minuto di audio: 0,0045 $, quindi 4,50 $ ogni mille minuti, che è esattamente la cifra riportata dalla classifica di Artificial Analysis. Non c'è alcuna contabilizzazione dei token da modellare e nessun livello di sconto documentato.

Non c'è un numero al minuto sul lato Salesforce da affiancarvi, perché non c'è nulla da acquistare al minuto. La scheda offre invece throughput: 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 e restituisce la trascrizione di una clip di trenta secondi in 0,22 secondi. Mille minuti di audio sono 60.000 secondi, quindi a quella velocità vengono elaborati in meno di un minuto di tempo GPU.

Messi uno accanto all’altro, i due numeri dicono qualcosa di specifico. A 4,50 $ per mille minuti, GPT Transcribe costa 4,50 $ per ciò che il modello aperto fa in circa 58 secondi su una singola scheda. Una RTX PRO 6000 noleggiata costa pochi dollari l’ora, quindi la via open è più economica a qualsiasi volume sostenuto — ma solo se la scheda è occupata. Con tre ore di audio a settimana, la scheda resta inattiva il 99% del tempo e l’API è la risposta più economica di un fattore dieci, senza nemmeno contare l’ingegnere che mantiene il plugin vLLM bloccato alla versione 0.32.0.

Due avvertenze sul valore di throughput, entrambe dalla model card. Si tratta di una misurazione su build di sviluppo di novembre 2026 e richiede max_num_seqs=64 per mantenere il profiling di avvio entro i 96 GB della card una volta caricato il draft model. Il valore predefinito di 1.024 sequenze concorrenti non entrerà. Stai dimensionando un server, non chiamando un endpoint.

La via di mezzo, e dove si inserisce un router

La maggior parte dei team che finisce qui non ne sceglie uno solo. Mantengono l'API hosted per tutto ciò che è interattivo e aggiungono il modello open per il backlog dell'archivio, il che significa due percorsi di trascrizione, due formati di output e due centri di costo — e poi, di solito, un modello di testo a valle che deve riassumere, classificare o recuperare su entrambi.

Quell'ultimo salto è quello che vale la pena instradare. OrcaRouter mette oltre 200 modelli di testo, immagini e video dietro un'unica chiave ai prezzi di listino del provider con 0% di ricarico, così il modello di riepilogo o il classificatore che legge l'una o l'altra trascrizione può essere sostituito, confrontato o portato in failover senza un nuovo contratto — e un taglio di prezzo del provider su quel modello di testo arriva lo stesso giorno in cui compare sulla scheda prezzi del provider stesso. Non ospita G​PT Transcribe o SOV-Transcribe-1; nessuno dei due modelli vocali è qualcosa che serviamo, e l'instradamento inizia con il testo che producono. Ciò che si ottiene è che la decisione sulla trascrizione smette di essere accoppiata alla decisione sull'analisi.

Chi dovrebbe scegliere cosa

Scegli G{{1}}PT{{/1}} Transcribe quando la trascrizione deve esistere mentre l'audio è ancora in riproduzione, quando non hai capacità operativa per le GPU né voglia di costruirla, quando il volume è abbastanza modesto che $0,27 per ora di audio è un errore di arrotondamento rispetto al tempo di ingegneria, oppure quando hai semplicemente bisogno di un fornitore con un contratto di supporto dietro l'endpoint. Accetta il divario di accuratezza di 1,03 punti come prezzo di tutto ciò, e tieni presente che a 43,1x il tempo reale non dovresti pianificare di riempire retroattivamente un grande archivio tramite esso.

Scegli SOV-Transcribe-1 quando l'audio è prevalentemente in inglese, dura meno di trenta minuti per file e serve dopo il fatto anziché durante; quando le registrazioni non possono lasciare la tua infrastruttura; quando il vocabolario è noto in anticipo e può essere fornito come elenco di suggerimenti, dove Salesforce riporta che la F1 sulle parole chiave sale da 71.9 a 96.8 su Contextual Earnings-22; e quando usi già GPU per qualcos'altro, così il costo marginale della scheda è vicino a zero.

Quello che non dovresti fare è fare le pulci al 3.31% rispetto al 2.28%. Quei due numeri provengono da un unico harness, su un'unica ponderazione composita, senza che sia pubblicata una ripartizione per set per nessuno dei due modelli. Bastano a dire che il modello aperto è probabilmente più accurato sul parlato conversazionale e letto in inglese. Non bastano a dire di quanto sul tuo audio, e le capacità che GPT Transcribe ha e che SOV-Transcribe-1 non ha — streaming, un endpoint gestito, suggerimenti su parole chiave e lingua senza uno stack di serving, e un contratto con il fornitore dietro l'uptime — non sono affatto misurate dal WER.