SOV-Transcribe-1 対 Gemini 3.5 Transcribe：0.3ポイントの差、そしてその他すべて

Artificial Analysisの音声ボードでは、この2モデルの差は0.32パーセントポイントしかありません。SOV-Transcribe-1がAA-WER 2.28%、Gemini 3.5 Transcribeが2.60%で、これはこの比較全体の中で最小の差です。それ以外はすべて差が広がります。Gemini 3.5 Transcribeは7言語に対して85言語以上をカバーし、Salesforceのモデルが1人も識別しないのに対して最大8人の話者を識別し、単語レベルのタイムスタンプを出力し、ストリーミング用の専用ライブエンドポイントも備えています。SOV-Transcribe-1はApache 2.0の下でオープンウェイトとして公開され、自分が所有するGPU上で動作し、固有名詞やティッカーを実測で修正できるキーワードリストを受け付けます。どちらを選ぶかは精度の問題ではありません。トランスクリプトを買うのか、パイプラインを買うのかという問題です。

それぞれが何か

SOV-Transcribe-1はSalesforce初のオープンウェイト音声拡張言語モデルで、2026年11月12日にsalesforce-sovereign-intelligence/SOV-Transcribe-1として公開されました。Whisper large-v3エンコーダーがGemma 4 26B A4B mixture-of-expertsデコーダーに接続され、総パラメータ数26.6B、アクティブ4.6B、53 GBのBF16チェックポイントです。非ストリーミングで、リクエストごとに最大30分の16 kHz音声を処理し、パラメータではなくユーザーメッセージ内の指示によって制御されます。

Gemini 3.5 TranscribeはGoogleのホスト型音声テキスト変換モデルで、最終更新は2026年8月、Gemini APIからgemini-3.5-transcribeとして利用でき、WebSocketストリーミング版のgemini-3.5-transcribe-liveもあります。1リクエストにつき最大1時間の音声を処理でき、話者分離やタイムスタンプを有効にすると30分になります。テキストと単語単位のアノテーションを返します。ダウンロードする重みも、サイズを見積もるサーバーもありません。

精度ギャップを分解する

AA-WER v2は加重合成指標であり、AA-AgentTalkが50%、VoxPopuli-Cleanedが25%、Earnings22-Cleanedが25%です。両モデルをこれらの構成要素ごとに分けて見ることは、見出しの数値よりも有益です。なぜなら、Salesforceモデルの優位性は均等に分布しているわけではないからです。

• AA-AgentTalk — SOV-Transcribe-1 は 1.79%。これは半分の重み付けがされた合成会話データセットであり、Salesforce モデルがボード上の他の何と比べても最も強みを発揮する領域です。

• VoxPopuli-Cleaned — SOV-Transcribe-1 は 1.50%。議会演説を読み取り、その学習データの混合に含まれるヨーロッパの言語は、まさにこのセットが採取元としている言語です。

• Earnings22-Cleaned — SOV-Transcribe-1 は 4.06%。実際の決算説明会：人名、ティッカー、数字、クロストーク。モデルにとって最も苦手な領域であり、企業向け音声に最も近い領域でもある。

GoogleはGemini 3.5 Transcribeについて、同じ3つのセットでの構成要素別内訳を公開していない。したがって、正直に言えば、総合スコアはSalesforceを0.32ポイント上回っており、Googleのデータセット別の状況は公には見えない。たとえばコールセンター音声で明確な勝利だと主張する人は、合成会話に半分の重みを置いた総合スコアから外挿しているにすぎない。

ホスト型モデルが単純に優れている点

Google側の4つのケイパビリティにはSalesforceのリリースに対応するものがなく、そのそれぞれが製品のカテゴリーを決定づけます。

• 言語 — 85以上に対応し、自動検出とセッション中のコードスイッチングが可能。ただし欧州7言語との比較において。音声に北京官話、ヒンディー語、アラビア語、日本語が含まれる場合、SOV-Transcribe-1は候補外であり、精度比較は無意味です。

• 話者構造 — 最大8話者までの話者分離に対応し、3話者を超える話者の帰属は実験的と表示されます。SOV-Transcribe-1のドキュメントには話者分離に関する記載が一切なく、2人の通話の文字起こしは未分化の単一テキストブロックとして返されます。

• タイムスタンプ — バッチエンドポイントでの単語レベルの出力。Salesforceのモデルはトランスクリプト文字列を出力するため、字幕生成やタイムスタンプによるコンプライアンス検索は下流で構築する必要があります。

• ストリーミング — 10分間のセッションと双方向WebSocketトランスポートを備えた専用のライブエンドポイント。SOV-Transcribe-1は明示的に非ストリーミングであり、有効化できる部分文字起こしモードはありません。

五つ目の違いは、機能ではなく制約です。Google 自身のドキュメントは、単語レベルのタイムスタンプが文字起こしの精度を低下させ、カスタム語彙と互換性がないこと、また話者分離が語彙バイアスとも互換性がないことを明記しています。ホスト型モデルでは、リクエストごとにどの機能を使うかを選ぶ必要があります。Salesforce のモデルでは、「話者分離は決して行わない」というレベルで一度だけ選ぶことになります。

オープンモデルがスコアを超えて先行している領域

明白な答えはデータレジデンシーであり、多くの購入者にとってそれは正しい選択です。Apache 2.0 の重みを自社で管理するハードウェア上で使えば、音声が建物の外に出ることはありません。金融サービスや医療におけるコールセンターの録音では、それは好みではなく厳格な要件であることが多く、WER に関係なくその要件を満たせるホスト型 API はありません。

あまり自明ではない答えは、バイアス付与だ。Contextual Earnings-22 では、SOV-Transcribe-1 はヒントなしのキーワードF1 71.9から、クリップ自身のキーワードを与えると96.8まで引き上げ、ほとんどの項目がディストラクターである1時間全体のキーワードリストを渡しても94.0を維持する。Geminiもカスタム語彙バイアスを提供しており、最大1,000語まで可能で、最良の結果は約100語で報告されている——ただし、併用したい話者分離やタイムスタンプとは組み合わせられない。エンティティ精度が成果物なら、両モデルともそれを実現できる。話者ラベルも同時に出力しながらそれを実現できるのは、片方だけだ。

スタイル制御が3番目です。SOV-Transcribe-1は、指示を受け取るようにトレーニングされました — 一字一句そのままか整形済みか、数字か単語か、フィラーを保持するか削除するか — そしてSalesforceは、指示を与えた場合の選好認識WERが5.05%だと報告しています。Googleの同等機能は「Smart transcription」で、フィラー除去と意図を考慮したフォーマットをカバーしますが、指示インターフェースではなくモードです。

実際に重要なコスト比較

GoogleはGemini 3.5 Transcribeを、音声入力トークン100万個あたり2.00ドル、出力トークン100万個あたり12.00ドルで公開しており、料金ページでは入力が1分あたり約0.003ドル、出力が1分あたり約0.002ドル、混合で1分あたり約0.005ドルに換算されています。Artificial Analysisのボードでは、同じモデルが1,000分あたり5.00ドルで掲載されています。いずれにせよ、音声1,000分のコストは約5ドルです。

SOV-Transcribe-1には分単位の料金がありません。Salesforceがエンドポイントを販売していないからです。比較できる指標はスループットです。vLLMのネイティブサポートとDFlashドラフトモデルにより、RTX PRO 6000 Blackwell Server Edition 1枚で毎秒最大1,039秒分の音声を文字起こしできます。この速度なら、1枚のカードが実時間およそ1分で1,000分を処理できるため、1,000分あたり5ドルのAPIに対するコスト逆転点は、本格的な処理量であれば必ず訪れます。そして、週3時間の文字起こしのためにカードを時間単位で借りなければならないのであれば、その点はまったく訪れません。

その算術には2つの注意点がある。1,039という数字は、2026年11月のvLLM開発ビルドによる測定値で、max_num_seqs=64を使用したものだ。これはまた、ドラフトモデルを読み込んだ後、起動時プロファイリングを96 GB以内に収めるために必要な設定でもある。さらに、この統合はvLLM 0.32.0に固定されたプラグインであり、上流でのネイティブサポートは進行中と説明されている。あなたが購入しているのは単なるGPUではない。維持することになるのはサービングスタックなのだ。

決定ルール

次のいずれかに当てはまる場合は、Gemini 3.5 Transcribe を選んでください。音声が7つのヨーロッパ言語のいずれでもない、話者ラベルやタイムスタンプを第一級の出力として必要とする、音声が届いている途中で部分的な文字起こしが必要、または処理量が少なすぎて GPU のコストが決して回収できない場合です。0.32ポイントの精度不足は実際のコストですが、それは合成会話に半分の重みを置いた複合指標で測られたコストであり、その代わりに、本来なら自分で構築しなければならない4つの機能が得られます。

SOV-Transcribe-1 を選ぶべきなのは、音声が英語中心で固有表現が多く、語彙があらかじめ分かっており、録音が30分未満で、「音声は当社のハードウェア上に留まる」が希望ではなく契約書の一文になっている場合です。録音済みの営業通話を夜間にバッチで文字起こしする——まさにこのモデルが設計されたワークロードです。

混在した構成がよくある結果であり、厄介なのは文字起こし自体では決してありません。問題は、文字起こしが第二のモデル（要約ツール、分類器、QAエージェント）に供給され、その利用側を変更するには新しいベンダー、新しいキー、新しい請求書が必要になることです。OrcaRouterはその工程を不要にします：1つのキーで200以上のテキスト・画像・動画モデル プロバイダーの定価で、マークアップ0%。そのため、文字起こしのパイプラインに一切触れることなく、文字起こしの下流にあるモデルを差し替えたりフェイルオーバーさせたりできます。OrcaRouterはどちらの音声モデルもホストしておらず、その必要もありません。文字起こしレイヤーはそのままの場所にとどまり、ルーティングはそれが生成するテキストから始まります。

絶対に避けるべきなのは、0.32ポイントの差を判断の決め手にすることだ。それはこの比較で最も小さな数字であり、ほとんどのチームにとっては最も影響が小さい。