SOV-Transcribe-1 vs Whisper Large v3 Turbo: quanto valgono due anni e 2,3 punti di WER

Whisper Large v3 Turbo non è un concorrente di SOV-Transcribe-1 in alcun senso commerciale. È l'incumbent: un checkpoint da 809M parametri con licenza MIT, pubblicato nell'ottobre 2024, che si trova silenziosamente alla base di una larga quota di ogni prodotto di trascrizione rilasciato da allora e che compare ancora su endpoint ospitati a 0,67 $ per mille minuti. SOV-Transcribe-1 è lo sfidante, pubblicato da Salesforce il 12 novembre 2026, con un punteggio del 2,28% contro il 4,62% di Whisper Large v3 Turbo nel composito di Artificial Analysis. Quindi la domanda non è quale modello sia migliore. È se dimezzare il tasso di errore valga un download da 53 GB, una GPU da 96 GB e uno stack di serving, quando l'alternativa entra nella memoria di un laptop e costa pochi centesimi per ora di audio.

Che cosa hanno davvero prodotto due anni di progressi

Whisper Large v3 Turbo è un Whisper large-v3 potato, con il decoder ridotto da 32 layer a 4. La model card di OpenAI stessa è disarmantemente diretta al riguardo: "esattamente lo stesso modello, tranne per il fatto che il numero di layer di decodifica è stato ridotto da 32 a 4. Di conseguenza, il modello è molto più veloce, a scapito di un lieve degrado della qualità." Quella frase descrive una decisione di compressione, non un'architettura.

SOV-Transcribe-1 è l'altro tipo di cambiamento. Salesforce ha mantenuto un encoder Whisper large-v3 — lo stesso front end — e ha sostituito il decoder a quattro layer con un modello linguistico mixture-of-experts Gemma 4 26B A4B dietro un projector. La percezione audio è ereditata da Whisper. L'elemento che trasforma l'audio in parole è un modello linguistico general-purpose trenta volte più grande dell'intero checkpoint Whisper turbo.

• Parametri — Whisper Large v3 Turbo 809M rispetto a SOV-Transcribe-1 26,6B totali, 4,6B attivi.

• Decoder — 4 strati Transformer rispetto a un mixture-of-experts da 26B con 4,6B attivi per token.

• Dimensione del checkpoint — meno di 2 GB rispetto a circa 53 GB in BF16.

• Lingue — circa cento contro sette. Qui si va nella direzione opposta, e con decisione.

• Timestamp — output a livello di frase e di parola integrato nel ciclo di decodifica rispetto a nessuno documentato.

• Licenza — MIT rispetto a Apache 2.0. Entrambe permissive; MIT è marginalmente più semplice.

• Hardware — CPU o una GPU di piccole dimensioni rispetto a una scheda di classe RTX PRO 6000 con 96 GB per la configurazione con draft abilitato.

Quell'ultima riga è l'intero argomento in miniatura. Un modello funziona ovunque; l'altro gira su un componente del server che costa più dell'intera bolletta cloud annuale della maggior parte dei progetti di trascrizione.

L'aritmetica degli errori che nessuno fa

Il tasso di errore di parola è un'astrazione finché non lo si converte in correzioni. Prendiamo un corpus di mille minuti di parlato inglese a 150 parole al minuto, un ritmo conversazionale: 150.000 parole. Con il 4,62%, Whisper Large v3 Turbo produce circa 6.900 parole errate, mancanti o inserite. Con il 2,28%, SOV-Transcribe-1 ne produce circa 3.400. La differenza è di circa 3.500 parole che una persona non deve individuare e correggere.

Ora quantifichiamo il costo della correzione. Un editor attento confronta la trascrizione con l'audio a forse 200-400 parole al minuto, quindi 3.500 errori in meno equivalgono a qualcosa tra nove e diciotto minuti di revisione umana risparmiati ogni mille minuti di audio. A una tariffa complessiva di $30 all'ora, sono da $4,50 a $9,00, rispetto a un costo di trascrizione, sul fronte Whisper ospitato, di $0,67.

Quel confronto è il motivo per cui la maggior parte dei team non migra mai. Il costo umano degli errori è di un ordine di grandezza superiore al costo macchina della trascrizione, quindi un modello che dimezza gli errori dovrebbe valere dieci volte il prezzo e in pratica si trova a competere con un prezzo già trascurabile. L'eccezione è qualsiasi pipeline in cui nessuno rivede l'output — indicizzazione automatizzata, ricerca, analytics, alimentazione di sintesi — perché lì gli errori non vengono corretti, ma si propagano in qualunque cosa legga la trascrizione in seguito, e il costo di secondo ordine è quello che fa davvero male.

L'indice su cui si basano entrambi i punteggi è esso stesso un misto — metà conversazione sintetica tra agenti, un quarto parlato parlamentare letto, un quarto chiamate sugli utili reali — e i due modelli si comportano in modo molto diverso su ciascun terzo. Le componenti di Whisper Large v3 Turbo sono rispettivamente 3,52%, 3,97% e 7,49%; quelle di SOV-Transcribe-1 sono 1,79%, 1,50% e 4,06%. Il divario è più ampio sul parlato parlamentare letto — 1,50% contro 3,97%, un fattore 2,6 — e più stretto sulle chiamate sugli utili, dove entrambi i modelli faticano e il divario è 4,06% contro 7,49%. Se il tuo audio è parlato letto pulito, l'upgrade è netto. Se è audio finanziario disordinato con più parlanti, entrambi i modelli sono scarsi e quello più nuovo è solo meno scarso.

Perché Whisper vince ancora la fattura

Inizia dal confronto hosted, perché è quello che la maggior parte dei team deve effettivamente affrontare. Whisper Large v3 Turbo è disponibile a $0.67 per mille minuti da almeno un provider di hosting nella board di Artificial Analysis, con un fattore di velocità misurato di 339.5, ovvero 339.5 secondi di audio per secondo di tempo reale. SOV-Transcribe-1 non ha alcun prezzo hosted al minuto. Salesforce ha pubblicato i pesi, non un endpoint, e nulla nella board riporta per esso una cifra per 1.000 minuti.

Quindi il confronto diventa dollari contro ore GPU, e la scheda del modello fornisce numeri insolitamente completi al riguardo. 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. Facendo funzionare quella scheda a pieno regime per un’ora, elabora 3,74 milioni di secondi di audio — 62.340 minuti. A un paio di dollari l’ora per il noleggio, si tratta dell’ordine di tre centesimi per mille minuti di audio, venti volte più economico dell’endpoint Whisper ospitato più economico disponibile.

Quel numero è reale ed è anche il numero più fuorviante di questo articolo, perché presuppone che la scheda non sia mai inattiva. La trascrizione vocale è a raffica: un arretrato arriva durante la notte, viene smaltito e poi la GPU resta a utilizzo zero per venti ore. A 1.039 secondi audio al secondo, una singola scheda smaltisce mille ore di audio in meno di un'ora. Quasi nessuno ha mille ore di audio al giorno. La conclusione onesta è che l'hosting autonomo dell'uno o dell'altro modello è una decisione economica sull'utilizzo, non sulle dimensioni — e che, una volta deciso di eseguire una scheda, il costo marginale del modello migliore è quasi nullo.

Tre cose che Whisper fa che il nuovo modello non può fare

La copertura linguistica è il primo punto, e non c'è partita. La model card di Whisper Large v3 Turbo elenca quasi un centinaio di lingue, dall'inglese e dal mandarino fino a gallese, maltese, hawaiano, lao e sundanese. SOV-Transcribe-1 copre inglese, francese, tedesco, spagnolo, italiano, portoghese e olandese. Per qualsiasi team i cui audio non siano europei, questo confronto non ha un secondo atto: Whisper non è l'opzione economica, è l'unica opzione tra le due.

I timestamp sono il secondo. Il ciclo di decodifica di Whisper li predice nativamente, e la pipeline Transformers li espone a granularità di frase o parola tramite un singolo argomento; è così che sottotitoli, marcatori di capitolo e ricerca di conformità sono stati costruiti su Whisper per due anni. La scheda di SOV-Transcribe-1 documenta trascrizione, controllo dello stile e context biasing, e nulla sui timestamp. Recuperarli a valle significa eseguire un allineatore forzato sull'output, che è un altro modello, un'altra dipendenza e un'altra fonte di errore.

La terza è la traduzione del parlato. Whisper può ricevere audio in una qualsiasi delle sue lingue di origine ed emettere direttamente testo in inglese, come compito di decodifica anziché come seconda fase della pipeline. SOV-Transcribe-1 trascrive nella lingua parlata. Se hai bisogno di sottotitoli per un documentario giapponese, Whisper lo fa con una sola chiamata e il modello Salesforce non può farlo affatto.

Le debolezze documentate di Whisper meritano pari risalto, poiché sono l'argomento più forte a favore del passaggio. La stessa scheda di OpenAI avverte che il modello allucina — producendo testo che non è stato pronunciato — perché è stato addestrato su dati rumorosi e con supervisione debole, e che questo è peggio nelle lingue con poche risorse. Nota inoltre che l'architettura sequence-to-sequence è soggetta a ripetizioni, mitigate solo in parte da beam search e temperature fallback. Sono esattamente le modalità di fallimento che rendono pericolosa una pipeline non revisionata, ed è su queste che due anni di lavoro sull'architettura sono stati concentrati.

Com'è una vera migrazione

Quasi nessuno sostituisce Whisper con SOV-Transcribe-1. Si fa routing tra i due, e la regola di routing si ricava da sola dalle specifiche: se l'audio è in inglese o in una delle altre sei lingue coperte, con un solo parlante, sotto i trenta minuti e ricco di entità, invialo al modello aperto con un elenco di suggerimenti; altrimenti lascialo su Whisper. Il risultato Contextual Earnings-22 di Salesforce — l'F1 sulle keyword che passa da 71,9 senza suggerimenti a 96,8 con le keyword del clip stesso, e resta a 94,0 quando gli viene fornito come distrattori l'intero elenco di keyword dell'ora — è la capacità specifica che rende utile la separazione, perché è l'unica cosa che il biasing del prompt di prefisso di Whisper non fa quasi altrettanto bene.

Il costo di questa separazione è un'infrastruttura duplicata e due formati di output: SOV-Transcribe-1 restituisce una stringa di trascrizione, Whisper restituisce testo più blocchi con timestamp, e tutto ciò che sta a valle deve accettare entrambi. In pratica, la maggior parte dei team normalizza secondo il proprio schema di trascrizione al confine e smette di interessarsi a quale modello l'abbia prodotto.

Ciò che accade dopo la trascrizione è la parte che scala con il volume, ed è qui che serve un router anziché un secondo fornitore di riconoscimento vocale: OrcaRouter mette oltre 200 modelli di testo, immagine e video dietro un'unica chiave ai prezzi di listino dei provider con 0% di ricarico, così il riassuntore, l'indicizzatore o il classificatore che consuma l'una o l'altra trascrizione può essere sostituito o messo in failover senza un nuovo contratto — e un taglio di prezzo del fornitore su quel modello è attivo qui lo stesso giorno. Né Whisper Large v3 Turbo né SOV-Transcribe-1 vengono serviti tramite esso; entrambi sono pesi che esegui tu stesso, e il routing inizia con il testo che emettono.

Cosa renderebbe obsoleto questo confronto?

Due cose, ed entrambe sono plausibili nell'arco di un ciclo di rilascio. La prima è un checkpoint SOV quantizzato. Il vantaggio pratico di Whisper Large v3 Turbo è che sta ovunque; una build a 4 bit di un modello da 26,6B richiederebbe comunque una GPU seria, ma un rilascio FP8 o NVFP4 — del tipo che NVIDIA ha distribuito il primo giorno per Nemotron 3.5 Transcribe — sposterebbe il modello Salesforce da "componente da data centre" a "componente da workstation" e farebbe cadere gran parte dell'obiezione al deployment. Salesforce ha già pubblicato una build MLX a 4 bit, il che suggerisce la direzione.

Il secondo è l'arrivo di timestamp e diarizzazione in una point release. Entrambi sono palesemente assenti, entrambi sono requisiti indispensabili per i prodotti di meeting e media, ed entrambi sono esattamente il tipo di elemento che una model card v0.2 aggiunge. Se arrivano, l'unica ragione rimasta per eseguire Whisper sono le cento lingue — e per una buona parte dei team, è l'unica ragione per cui lo eseguono oggi.

Fino a quel momento la divisione resta stabile e facile da giustificare: Whisper Large v3 Turbo rimane il default corretto per tutto ciò che è multilingue, con timestamp, long-tail o vincolato alla CPU, e SOV-Transcribe-1 è lo specialista a cui ricorrere quando l'audio è in inglese, il vocabolario è noto e nessuno leggerà l'output prima che lo faccia una macchina.