SOV-Transcribe-1 vs Nemotron 3.5 Transcribe: quindici giorni di distanza, e solo uno dei due è un prodotto

Il riconoscimento vocale open-weight è passato di mano due volte in due settimane. NVIDIA ha pubblicato Nemotron 3.5 Transcribe il 28 ottobre 2026; Salesforce ha pubblicato SOV-Transcribe-1 il 12 novembre. Nel composite di Artificial Analysis, vince il modello più recente: SOV-Transcribe-1 a 2,28% AA-WER contro Nemotron 3.5 Transcribe a 2,81%. Questo è tutto il pitch di vendita, ed è più esile di quanto sembri. NVIDIA ha rilasciato diarizzazione dei parlanti, timestamp a livello di parola, quaranta lingue, registrazioni di un'ora, tre formati di quantizzazione, un rapporto tecnico pubblicato e uno stack di serving con un cookbook. Salesforce ha rilasciato il miglior numero in classifica e una model card che dice che il rapporto tecnico arriverà. Se stai scegliendo un modello da inserire in un prodotto anziché in una classifica, il divario di accuratezza non è l'asse che conta.

Due architetture, due scommesse completamente diverse

Nemotron 3.5 Transcribe è un modello linguistico mixture-of-experts ibrido Mamba-2 e Transformer — Nemotron 3.5 Lightning 30B A3B — dotato di un encoder esperto parallelo: un encoder ASR Transformer di circa 600 milioni di parametri e un encoder speaker separato da 99 milioni di parametri, più una testa CTC per l'allineamento temporale. Trentaquattro miliardi di parametri in totale, 4,3 miliardi attivi incluso l'encoder audio.

SOV-Transcribe-1 va nella direzione opposta. Prende un encoder Whisper large-v3 pronto all'uso, vi aggiunge un projector e consegna il risultato a un decoder Gemma 4 26B A4B: 26,6B in totale, 4,6B attivi. Mentre NVIDIA ha costruito un front-end vocale e vi ha collegato il proprio modello linguistico, Salesforce ha collegato un modello linguistico di uso generale a un front-end vocale che tutti possiedono già. Ecco perché il checkpoint SOV è di 53 GB in BF16 e la release Nemotron BF16 richiede una H100 da 80 GB: il modello Salesforce ha un peso totale inferiore e lo presenta in un formato per cui non è ancora stata pubblicata alcuna variante quantizzata.

• Parametri totali — SOV-Transcribe-1 26,6B rispetto a Nemotron 3.5 Transcribe 34B, in entrambi i casi includendo l'encoder audio.

Parametri attivi — 4,6B contro 4,3B. Di fatto un pareggio, che è la parte interessante: Salesforce ottiene un tasso di errore più basso da un insieme attivo marginalmente più grande e da uno totale sostanzialmente più piccolo.

• Limite audio — 30 minuti contro 1 ora, con un contesto di 65.536 token sul lato NVIDIA.

• Lingue — 7 europee rispetto a 40, con supporto al code-switching in tutta la matrice Nemotron.

• Precisione — solo BF16 (router FP32) rispetto ai checkpoint BF16, FP8 e NVFP4, l'ultimo dei quali gira su una RTX 5090.

• Licenza — Apache 2.0 rispetto a OpenMDW-1.1. Apache è di gran lunga la più permissiva delle due, e per alcuni team legali questo basta da solo a decidere.

Un benchmark eseguito da entrambi i fornitori, con numeri che non concordano

Questo è il confronto più utile dell'articolo, perché è l'unico punto in cui le due schede modello possono essere messe a confronto fianco a fianco sullo stesso test. VoiceCodeBench misura la trascrizione di valori strutturati — indirizzi email, percorsi di file, identificatori, numeri di conto — e riporta due metriche: la corrispondenza canonica di token ed entità, cioè quanto del contenuto obiettivo è stato recuperato, e il tasso di successo delle attività, cioè la percentuale di registrazioni in cui ogni valore obiettivo è risultato corretto.

La scheda di NVIDIA pubblica entrambi: 88,53% CTEM e 59,33% TSR, più un tasso di errore sulle parole dell'8,38% sul set. La scheda di Salesforce pubblica due cifre per lo stesso benchmark: 76,3% che superano ogni entità target e 93,4% di entità recuperate, descritte come prime tra i sistemi open-weight e seconde su 23 complessivi. Queste corrispondono rispettivamente a TSR e CTEM, e la corrispondenza non regge. Salesforce dichiara 76,3% di full-pass dove NVIDIA riporta 59,33% sulla stessa metrica, e dichiara 93,4% di recupero delle entità dove NVIDIA riporta 88,53%.

Ci sono spiegazioni innocenti. VoiceCodeBench è una classifica privata gestita da una terza parte, i punteggi vengono versionati nel tempo e i due fornitori potrebbero aver inviato snapshot diversi. Ce n'è anche una non innocente: uno dei due numeri viene descritto con più sicurezza di quanta ne supporti la reportistica del benchmark stesso. Ciò che un lettore può concludere è limitato e vale la pena dirlo chiaramente — sull'unico benchmark sui valori strutturati su cui entrambi i modelli sono stati misurati, il modello Salesforce sembra essere sensibilmente migliore nell'ottenere correttamente ogni valore, e l'entità di tale vantaggio è contestata di cinque-diciassette punti a seconda della scheda che si legge.

Cosa ha rilasciato NVIDIA che Salesforce non ha rilasciato

Il divario qui non è incrementale. Queste sono capacità, non punteggi, e ognuna rimuove una parte del lavoro a valle che altrimenti dovresti costruire.

• Trascrizione con attribuzione del parlante — una valutazione completa multi-parlante su AMI, CALLHOME, Mixer 6 e NOTSOFAR-1, con un cpWER medio di 15,80 e risultati per condizione fino ai singoli casi con microfono distante. SOV-Transcribe-1 non documenta alcuna diarizzazione.

Timestamp delle parole — una testa di allineamento CTC che restituisce il testo delle parole con orari di inizio e fine, una mappa dei segmenti di diarizzazione e un campo di errore di allineamento. La scheda Salesforce restituisce una stringa di trascrizione.

• Traduzione vocale, identificazione della lingua e risposta a domande audio — attività separate con i propri benchmark, inclusa l'identificazione della lingua FLEURS al 100% su diverse lingue. SOV-Transcribe-1 trascrive, in sette lingue, e si ferma lì.

• Un rapporto tecnico — pubblicato in PDF, con la composizione dei dati di addestramento dettagliata fino a indicare quali corpora sono stati concessi in licenza e da chi. Salesforce rimanda il proprio rapporto a un «prossimamente».

• Una scala di quantizzazione e un cookbook di serving — NVFP4 su Blackwell consumer, un percorso SGLang-Omni, GGML su Windows nativo. L'integrazione Salesforce è un plugin vLLM fissato alla 0.32.0, con il supporto upstream descritto come lavoro in corso.

L'avvertenza onesta su quella lista è che ampiezza e profondità sono in contrapposizione tra loro. Un modello addestrato su 40 lingue e sette famiglie di compiti ripartisce la propria capacità; uno addestrato su sette lingue europee e sulla sola trascrizione può investirla tutta lì. Il divario composito di 0,53 punti è esattamente l'aspetto che quel compromesso assume quando dà i suoi frutti.

I numeri delle porzioni, da leggere attentamente

Entrambi i fornitori eseguono benchmark sulla stessa scheda, il che rende questo confronto insolitamente pulito — e insolitamente facile da sbagliare.

• Salesforce, SOV-Transcribe-1 — fino a 1,039 secondi di audio al secondo su una singola RTX PRO 6000 Blackwell Server Edition, con il modello draft DFlash abilitato, su una build di sviluppo di vLLM, con max_num_seqs=64.

• NVIDIA, Nemotron 3.5 Transcribe — fino a 2.238 secondi di audio al secondo sulla stessa scheda in NVFP4 con decodifica speculativa DFlash2, restituendo la trascrizione di una clip di 30 secondi in 0,13 secondi.

Il dato di NVIDIA è più del doppio, e NVIDIA ne spiega il motivo nella propria scheda: quelle ottimizzazioni risiedono nel Nemotron Transcribe NIM e non nella versione open source, che la scheda descrive come circa due volte più lenta e destinata allo sviluppo di modelli. Quindi il confronto omogeneo — vLLM open source contro vLLM open source, su una singola scheda — è di circa 1,119 contro 1,039 audio-secondi al secondo. NVIDIA è ancora in vantaggio, di circa l'otto percento, ed è in vantaggio pur essendo anche il modello con etichette del parlante e timestamp nel flusso di output.

Per un acquirente questo significa che nessuno dei due modelli viene scelto in base al throughput. Entrambi saturano una scheda moderna; entrambi ne richiedono una dedicata. La decisione riguarda quale output serve e quale download si è in grado di eseguire, e sulla seconda questione Nemotron vince nettamente, perché un checkpoint NVFP4 gira su hardware che costa una frazione di un componente server da 96 GB, mentre il modello Salesforce non ha alcuna release quantizzata da eseguire.

Dove SOV-Transcribe-1 è davvero la scelta migliore

Tre casi, e il primo è quello ovvio. Se la lingua è l'inglese e l'accuratezza delle entità è il prodotto, 2,28% contro 2,81% sul composito è una differenza reale, e la superficie più debole del modello Salesforce — 4,06% su Earnings22-Cleaned — è comunque migliore di quanto il composito implichi per la concorrenza. Su Contextual Earnings-22, SOV-Transcribe-1 riporta un F1 sulle keyword che sale da 71,9 a 96,8 con i suggerimenti del clip stesso e si mantiene a 94,0 quando riceve come distrattori l'elenco di keyword dell'intera ora. NVIDIA riporta i propri numeri Contextual Earnings22 in termini di tasso di errore di parola anziché di F1, dal 12,54% senza contesto al 9,58% locale, quindi i due non sono direttamente confrontabili — ma la struttura del risultato, cioè che gli elenchi di suggerimenti aiutano e che gli elenchi di suggerimenti ricchi di distrattori aiutano comunque, è la stessa in entrambi.

Il secondo caso è il licensing. Apache 2.0 rispetto a OpenMDW-1.1 non è una formalità per un'azienda la cui revisione legale ha opinioni sulle opere derivate. Se intendi fare fine-tuning e ridistribuire, oppure incorporare il modello in un prodotto che distribuisci, il percorso Apache è più breve.

Il terzo è la semplicità dell'ambito. Un modello che fa una cosa sola restituisce una cosa sola, e una pipeline che si aspetta una stringa di trascrizione è più facile da comprendere rispetto a una che riceve un oggetto strutturato con tag degli speaker, timestamp e un campo di errore di allineamento di cui potrebbe non avere bisogno. I team che vogliono gestire in autonomia la propria diarizzazione — perché eseguono già un modello di speaker embedding di cui si fidano — ottengono un input più pulito dal modello più specifico.

Scegliere tra loro senza una classifica

Se l'audio è una riunione, una chiamata con più di una voce o qualsiasi cosa in cui «chi l'ha detto» faccia parte del risultato, la risposta è Nemotron 3.5 Transcribe e la questione dell'accuratezza non si pone — SOV-Transcribe-1 non può produrre quel campo. Se l'audio non è in inglese, vale lo stesso, in modo ancora più netto. Se le registrazioni superano i trenta minuti o devono girare su hardware più piccolo di una scheda da data center, di nuovo NVIDIA.

Se l'audio è in inglese, con un solo parlante o già diarizzato a monte, dura meno di mezz'ora e il risultato da consegnare è un testo con i nomi propri corretti, SOV-Transcribe-1 è il trascrittore più accurato disponibile oggi e la licenza Apache elimina una trattativa. Si tratta di un insieme di carichi di lavoro più ristretto di quanto lasciasse intendere la copertura del lancio, ma è un insieme reale.

Anche qui i pipeline misti sono l'esito normale, e sollevano una questione pratica che nessuna delle due model card affronta: cosa legge la trascrizione in seguito. OrcaRouter mette oltre 200 modelli text, image e video dietro un'unica chiave ai prezzi di listino dei provider con 0% di ricarico, così il summariser o l'extractor a valle può essere sostituito o commutato in failover senza un secondo contratto — utile quando la fonte della trascrizione è ancora da decidere. Nessuno di questi due modelli vocali viene servito tramite esso, e non sosteniamo il contrario; il routing inizia dove inizia il testo.

Ciò che è cambiato nelle due settimane tra questi due rilasci non è quale modello stia in cima alla classifica open-weight. È che la classifica non ha più una risposta chiara, e la risposta ora dipende dal fatto che tu stia acquistando un trascrittore o una pipeline di trascrizione. NVIDIA vende la seconda. Salesforce ha pubblicato il primo, e lo ha fatto estremamente bene.