SOV-Transcribe-1 vs GPT Transcribe：一方はベンチマークを公開し、もう一方は価格を公開

O​penAIはG​PT Transcribeの単語誤り率をこれまで一度も公表していません。このモデルはAPIドキュメントに、価格とエンドポイント一覧を伴うスナップショットとして掲載されているだけで、公開記録はそれだけです——精度表も、言語一覧も、前世代との比較もありません。つまり、この比較で唯一妥当に示せる数値は他社の評価ハーネスによるものです。Artificial AnalysisはG​PT TranscribeをAA-WER 3.31%と測定しており、2026年11月12日に公開されたSalesforceのオープンウェイトモデルSOV-Transcribe-1の2.28%と対比されます。両者を分けるのは丸1ポイントの単語誤り率ですが、それはこの記事で最も役に立たない事実です。役に立つ事実は、G​PT TranscribeはWebSocketセッションを通じてリアルタイムでストリーミングできる一方でSOV-Transcribe-1はまったくストリーミングできず、片方は1分あたり$0.0045かかるのにもう片方はGPUが必要で、どちらのベンダーも、どちらのモデルがあなたの音声でどう動作するかを教えてくれない、ということです。

O​penAIが実際に文書化している内容

このスナップショットはgpt-transcribeと呼ばれています。完了した音声ファイル、ストリーミングされたファイルの文字起こし、およびWebSocket経由のRealtimeセッションで確定されたターンを処理します。つまりストリーミングは、独自のトランスポートを持つ文書化された機能であり、バッチ呼び出しのフラグではありません。カタログページには、非構造化コンテキスト、キーワードヒント、複数言語ヒントへの対応も記載されており、これはSOV-Transcribe-1がinstructionsを通じて提供するバイアス指定と同じ形です。文書化されている価格は音声1分あたり0.0045ドルで、これは音声1時間あたり0.27ドルに相当します。実務者の感覚で言えば、その数字は、通話録音1000時間の文字起こしに270ドルかかるということです。

欠けているものも同じくらい雄弁だ。モデルページは性能を定性的な「Highest」ラベルでのみ評価し、速度を「Medium」としている。WERも、言語別の精度も、厳格な上限として明記された最大音声長も、Whisperと比較する評価表もない。OpenAIの旧音声モデルWhisper Large v3 Turboには、制限事項のセクションを備えたモデルカードがあり、それを支える論文もある。GPT Transcribeには価格とエンドポイント一覧、そして2つの形容詞があるだけだ。これは非難ではない。公開された評価なしで出荷される本番モデルは数多い。しかし、購入者が導入を決める前に確認できる内容は変わるし、両ベンダーが公開している比較よりも、ここで独立系ハーネスがより重要になる理由でもある。

外側にある数字と、それがどれだけの重みを持つか

Artificial Analysisは、このボード上のすべての評価に使用しているのと同じ3セット構成の複合評価でG​PT Transcribeを実行している。AA-AgentTalkを50%の重み、VoxPopuli-Cleanedを25%、Earnings22-Cleanedを25%で評価する。G​PT Transcribeのスコアは3.31%。同じハーネスではSOV-Transcribe-1が2.28%となる。

ギャップを信頼する前に、その構成要素を読むべきだ。SOV-Transcribe-1の2.28%は、合成会話セットで1.79%、読み上げられた議会演説で1.50%、実際の決算説明会で4.06%の平均である。最良の評価面と最悪の評価面の差はほぼ3対1に達する。GPT Transcribeにも同様のばらつきがあり、そうでないと考える公表された理由がないなら、総合スコアの1ポイント差は、決算説明会では2ポイント差、読み上げ音声では丸め誤差であり得る。Artificial Analysis以外の誰も知らず、Artificial Analysisは総合スコアを公表するが、すべてのモデルについてセット別の内訳は公表しない。

2つ目の独立した指標は速度です。同じ評価ボードでは、G​PT Transcribeの速度係数は43.1と測定されています。これは実時間1秒あたり43.1秒分の音声を処理できることを意味します。比較のために同じ測定値を見ると、Whisper Large v3 Turboは339.5、G​emini 3.5 Transcribeは94.4です。G​PT Transcribeは4つの中で大差で最も遅く、電話ではなくアーカイブを文字起こしする場合、キューの深さを決めるのはこの数値です。

オープンモデルの数字はどこから来て、どこで止まるのか

SOV-Transcribe-1の2.28%は独立した結果だが、それ以外のほぼすべてはSalesforceによる報告である。モデルカードは、非公開リーダーボードであるVoiceCodeBenchで完全通過率76.3%、同じセットでエンティティ復元率93.4%、AppTek Call-Center Dialoguesの14種類の英語アクセントでの平均WER 8.21%、ハルシネーションに焦点を当てた決算説明会通話セットであるHALASで25.69%を主張している。そのうち今日第三者によって再現できるのはArtificial Analysisの複合指標のみである。技術レポートは「近日公開」としてリンクされている。

正直に言えば、精度比較の構図は居心地の悪い形で非対称だ。オープンモデルにはより良い独立系スコアと、監査されていないベンダー主張の大きな集積がある一方、ホステッドモデルにはより悪い独立系スコアがあり、ベンダーの主張は皆無だ。どちらの立場も強固ではない。意思決定がアクセントへの頑健性やエンティティ精度に懸かっているなら、ベンダーのスライドと沈黙の間で選んでいることになる。それを決着させる唯一の方法は、自社の音声クリップを数百本用意して両方を実行することだ。

ストリーミングこそが、その議論に終止符を打つ違いです

これはニュアンスの違いではありません。GPT TranscribeはWebSocket経由でリアルタイム文字起こしセッションを開き、音声が届くたびに部分的なテキストを返します。SOV-Transcribe-1は明示的に非ストリーミングです。完全な録音、最大30分の16 kHzモノラル音声を受け取り、完全な文字起こしを返します。有効にできる部分出力モードはなく、それを生成する設定もありません。

ライブキャプション製品、音声エージェント、コールセンターのエージェント支援オーバーレイなど、話者が話し終える前にトランスクリプトが存在しなければならないものでは、精度が議論される前に比較は終わっている。SOV-Transcribe-1はより遅い選択肢ではない。選択肢ですらない。逆に、ワークロードが録音通話の夜間バッチ文字起こしである場合——実際、ほとんどの企業の音声処理量はこれに当たる——ストリーミングは料金を払っても決して呼び出さない機能であり、1.03ポイントの精度優位性はタダの利益だ。

そのすぐ下には、第二の構造的な違いがあります。GPT Transcribe はマネージドエンドポイントです。スナップショット名は固定されており、応答形式は OpenAI が変更し、1 年後に呼び出すバージョンも同じ名前のままで、その背後には出荷された改善が何であれ組み込まれています。SOV-Transcribe-1 は文字起こしの文字列だけを返し、それ以外は何も返しません。単語のタイムスタンプも話者ラベルもありません。これは確かなコストですが、出力形式は下流のコードがそれをどう扱うか次第であり、ダウンロードした重みは、自分で置き換えない限り自分の環境下で変化しないということも意味します。

計算過程を示したコスト比較

GPT Transcribeは音声1分あたりの価格設定で、$0.0045、つまり1,000分あたり$4.50であり、これはArtificial Analysisのボードに記載されている数値と正確に一致します。モデル化すべきトークン会計はなく、文書化された割引階層もありません。

Salesforce側には、それと並べる分あたりの数字はありません。分単位で購入するものが何もないからです。代わりにこのカードはスループットを提供します。ネイティブのvLLMサポートとDFlashドラフトモデルにより、1台のRTX PRO 6000 Blackwell Server Editionは毎秒最大1,039秒の音声を文字起こしし、30秒のクリップの文字起こしを0.22秒で返します。音声1,000分は60,000秒なので、その速度ならGPU時間で1分未満で処理し終えます。

二つの数字を並べると、ある具体的なことが見えてくる。1000分あたり$4.50のGPT Transcribeでは、オープンモデルが1枚のカードでおよそ58秒で処理する量に対して$4.50かかる。レンタルのRTX PRO 6000は1時間あたり1桁台前半のドルで動くので、持続的な処理量があればオープンな道のほうが安い——ただしカードが稼働している場合に限る。週に3時間の音声なら、カードは99%の時間アイドル状態で、APIのほうが10倍安い答えになる。しかもこれは、バージョン0.32.0に固定されたvLLMプラグインを保守するエンジニアの人件費を数える前の話だ。

スループット値には注意点が2つあり、どちらもモデルカードに由来します。これは2026年11月の開発ビルドでの測定値であり、ドラフトモデルを読み込んだ後、スタートアッププロファイリングをカードの96 GB内に収めるにはmax_num_seqs=64が必要です。デフォルトの同時シーケンス数1,024では収まりません。これはエンドポイントを呼び出しているのではなく、サーバーのサイジングを行っているのです。

中間の道、そしてルーターがどこに当てはまるか

ここにたどり着くほとんどのチームは、どちらか一方を選ぶことはありません。インタラクティブな用途にはホスト型APIを使い続け、アーカイブのバックログにはオープンモデルを追加します。つまり文字起こしの経路が2つ、出力形式が2つ、コストセンターが2つになるわけです。そして通常はその下流に、両方のデータを要約・分類・検索するテキストモデルが1つ置かれることになります。

その最後のホップこそ、ルーティングする価値があります。OrcaRouter は 200 以上のテキスト、画像、動画モデルを単一のキーの背後に用意し プロバイダーの定価で、マークアップ 0% で提供しています。そのため、どちらの文字起こしを読む要約器や分類器も、新しい契約なしで差し替えたり、比較したり、フェイルオーバーしたりできます。また、そのテキストモデルに対するプロバイダーの値下げは、プロバイダー自身の料金表に反映されるのと同じ日に反映されます。G​PT Transcribe や SOV-Transcribe-1 はホストしていません。どちらの音声モデルも当社が提供するものではなく、ルーティングはそれらが生成するテキストから始まります。これによって得られるのは、文字起こしの決定が分析の決定から切り離されることです。

誰がどれを選ぶべきか

音声がまだ再生されている間に文字起こしが存在している必要がある場合、GPU の運用キャパシティがなく、それを構築する意欲もない場合、処理量が控えめで、音声1時間あたり $0.27 がエンジニアリング時間に比べれば丸め誤差にすぎない場合、またはエンドポイントの背後にサポート契約のあるベンダーが単純に必要な場合は、GPT Transcribe を選んでください。その代償として 1.03 ポイントの精度差を受け入れ、43.1 倍のリアルタイム処理速度では大規模なアーカイブのバックフィルにこれを使う計画は立てるべきではないことに留意してください。

音声が英語主体で、ファイルあたり30分未満で、その場ではなく事後に必要とされ、録音を自社インフラの外に出せず、語彙が事前に分かっていてヒントリストとして渡せ、SalesforceがContextual Earnings-22でキーワードF1が71.9から96.8に上昇すると報告している場合、さらにすでに別用途でGPUを稼働させていてカードの限界費用がほぼゼロである場合は、SOV-Transcribe-1を選んでください。

すべきでないのは、3.31% 対 2.28% という数字に揚げ足を取ることだ。これらの2つの数値は1つのハーネス、1つの合成重み付けから得られたもので、どちらのモデルについてもセット別の内訳は公開されていない。オープンモデルの方が英語の会話音声と朗読音声ではおそらくより正確だと言うには足りる。しかし、あなたの音声でどの程度正確なのかを示すには足りず、また GPT Transcribe が SOV-Transcribe-1 にはない機能——ストリーミング、マネージドエンドポイント、サービングスタックなしでのキーワードと言語のヒント、稼働率を支えるベンダー契約——は WER ではまったく測れない。