SOV-Transcribe-1 対 Nemotron 3.5 Transcribe：15日違いで、製品になっているのは片方だけ

オープンウェイト音声認識の主導権は、2週間で二度入れ替わった。NVIDIAは2026年10月28日にNemotron 3.5 Transcribeを公開し、Salesforceは11月12日にSOV-Transcribe-1を公開した。Artificial Analysisの総合指標では新しいモデルが勝っている。SOV-Transcribe-1はAA-WER 2.28%、Nemotron 3.5 Transcribeは2.81%だ。これが売り文句のすべてであり、見た目より薄い。NVIDIAは話者ダイアライゼーション、単語タイムスタンプ、40言語、1時間の録音、3つの量子化形式、公開された技術レポート、クックブック付きのサービングスタックを提供した。Salesforceが提供したのは、ボード上で最高の数値と、技術レポートは近日公開と記されたモデルカードだけだ。リーダーボード向けではなく製品に組み込むモデルを選ぶのであれば、精度差は重要な軸ではない。

2つのアーキテクチャ、まったく異なる2つの賭け

Nemotron 3.5 Transcribeは、Mamba-2とTransformerのハイブリッド型Mixture-of-Experts言語モデル——Nemotron 3.5 Lightning 30B A3B——に、並列エキスパートエンコーダーを搭載したものです。すなわち、約6億パラメータのTransformer ASRエンコーダーと、別個の9900万パラメータの話者エンコーダー、さらにタイムスタンプ位置合わせ用のCTCヘッドを備えています。総パラメータ数は340億、音声エンコーダーを含むアクティブパラメータは43億です。

SOV-Transcribe-1は逆方向のアプローチを取ります。既製のWhisper large-v3エンコーダーを採用し、プロジェクターを取り付けて、その結果をGemma 4 26B A4Bデコーダーに渡します — 総パラメータ数26.6B、アクティブ4.6B。NVIDIAが音声フロントエンドを構築して独自の言語モデルを接続したのに対し、Salesforceは誰もがすでに持っている音声フロントエンドに汎用言語モデルを接続しました。そのため、SOVチェックポイントはBF16で53 GBであり、NemotronのBF16リリースには80 GBのH100が必要です。Salesforceのモデルは総パラメータ量が少なく、まだ量子化版が公開されていない形式でその量を保持しているからです。

• 総パラメータ数 — SOV-Transcribe-1 は26.6B、Nemotron 3.5 Transcribe は34B（いずれも音声エンコーダーを含む）。

• アクティブパラメータ — 4.6B 対 4.3B。実質的に互角で、そこが興味深い点だ。Salesforce は、わずかに大きいアクティブセットと大幅に小さい総パラメータ数で、より低いエラー率を実現している。

• 音声の上限 — 30分対1時間、NVIDIA側では65,536トークンのコンテキスト付き。

• 言語 — 欧州7言語に対して40言語、Nemotronマトリックス全体でコードスイッチングに対応。

• 精度 — BF16 のみ（FP32 ルーター）に対し、BF16、FP8、NVFP4 のチェックポイント。最後のものは RTX 5090 で動作します。

• ライセンス — Apache 2.0 対 OpenMDW-1.1。Apache は両者の中で圧倒的に寛容であり、一部の法務チームにとってはそれだけで決め手になる。

両ベンダーが実施したあるベンチマークだが、その数値は一致していない

これは記事の中で最も有用な比較です。なぜなら、2つのモデルカードを同じテストで並べて比較できる唯一の箇所だからです。VoiceCodeBenchは、構造化された値の文字起こし（メールアドレス、ファイルパス、識別子、口座番号）を測定し、2つの指標を報告します。1つはcanonical token and entity matchで、対象コンテンツがどれだけ復元されたかを示します。もう1つはtask success rateで、すべての対象値が正しく出力された録音の割合です。

NVIDIAのカードには両方が記載されている：CTEM 88.53%とTSR 59.33%、さらにそのセットでの単語誤り率8.38%。Salesforceのカードには同じベンチマークについて2つの数値が記載されている：すべての対象エンティティに合格する割合76.3%と、エンティティ回収率93.4%で、オープンウェイトシステムの中で1位、全体で23システム中2位と説明されている。これらはそれぞれTSRとCTEMに対応するが、その対応は成立しない。Salesforceは、NVIDIAが同じ指標で59.33%と報告しているのに76.3%のフルパスを主張し、NVIDIAが88.53%と報告しているのに93.4%のエンティティ回収を主張している。

無垢な説明もある。VoiceCodeBenchは第三者が運営する非公開のリーダーボードで、スコアは時間とともにバージョン管理され、2社のベンダーは異なるスナップショットを提出した可能性がある。もう一つ、無垢とは言えない説明もある。2つの数値のうち一方は、ベンチマーク自身の報告が裏付ける以上に自信を持って語られている、というものだ。読者が結論できることは限られており、率直に述べておく価値がある——両モデルが測定された唯一の構造化値ベンチマークでは、Salesforceのモデルの方がすべての値を正しく取得する点で意味のある程度優れているように見え、その優位性の大きさは、どちらのモデルカードを見るかによって5～17ポイントの幅で争われている。

NVIDIAが出荷したが、Salesforceは出荷しなかったもの

ここにある差は段階的なものではありません。これらはスコアではなく能力であり、そのそれぞれが、本来なら自ら構築しなければならない下流の作業を一つ取り除いてくれます。

• 話者属性付き文字起こし — AMI、CALLHOME、Mixer 6、NOTSOFAR-1にわたる完全なマルチスピーカー評価で、平均cpWERは15.80、条件別の結果は個々の遠隔マイクのケースにまで及ぶ。SOV-Transcribe-1はダイアライゼーションについて一切記載していない。

• 単語タイムスタンプ — 開始時刻と終了時刻を伴う単語テキスト、ダイアライゼーションのセグメントマップ、アライメントエラーフィールドを返す CTC アライメントヘッド。Salesforce カードはトランスクリプト文字列を返します。

• 音声翻訳、言語識別、音声質問応答 — それぞれ独自のベンチマークを持つ個別のタスクであり、いくつかの言語ではFLEURSの言語IDで100%を達成しています。SOV-Transcribe-1は7言語で文字起こしを行い、そこで止まります。

• 技術報告書 — PDFとして公開され、訓練データの構成は、どのコーパスが誰からライセンス供与されたかに至るまで項目別に記載されている。Salesforceは自社の報告書を「近日公開」としてリンクしている。

• 量子化ラダーとサービングのクックブック — コンシューマー向けBlackwellでのNVFP4、SGLang-Omniの経路、ネイティブWindows上のGGML。Salesforceの統合は0.32.0に固定されたvLLMプラグインで、アップストリームでのサポートは作業中と説明されています。

そのリストについての正直な但し書きは、広さと深さが互いにトレードオフの関係にあるということだ。40言語と7つのタスクファミリーで訓練されたモデルは能力を分散させるが、7つのヨーロッパ言語と文字起こしのみで訓練されたモデルは、そのすべてをそこに費やせる。0.53ポイントの総合ギャップは、そのトレードオフが報われるときにまさにどう見えるかを示している。

提供量の数値は、よく読んでください。

両ベンダーが同じカードでベンチマークを実施しているため、この比較は異例なほど明快であり、同時に異例なほど間違えやすい。

• Salesforce、SOV-Transcribe-1 — DFlashドラフトモデルを有効にし、vLLMの開発ビルド上で、max_num_seqs=64の設定において、1台のRTX PRO 6000 Blackwell Server Editionで毎秒最大1,039秒の音声を処理。

• {{1}}NVIDIA, Nemotron 3.5 Transcribe{{/1}} — 同じカード上でNVFP4とDFlash2投機的デコーディングにより、毎秒最大2,238秒分の音声を処理し、30秒のクリップの文字起こしを0.13秒で返します。

NVIDIA の数値は2倍以上で、NVIDIA は自社のモデルカードでその理由を説明している。それらの最適化は Nemotron Transcribe NIM にあり、オープンソース版には含まれていない。モデルカードでは、オープンソース版は約2倍遅く、モデル開発向けだと説明されている。したがって、同一条件での比較、つまり1枚のカード上でオープン vLLM 対 オープン vLLM は、毎秒およそ1,119音声秒 対 1,039音声秒となる。NVIDIA は依然として約8パーセント先行しており、しかも出力ストリームに話者ラベルとタイムスタンプを含むモデルでありながら先行している。

購入者にとって重要なのは、どちらのモデルもスループットを理由に選ばれるわけではないということだ。どちらも最新のカードを飽和させ、どちらも専用の1枚を必要とする。判断すべきは、自分に必要な出力は何か、どのダウンロード版なら実行できるかであり、後者についてはNemotronが完全に優位に立つ。NVFP4チェックポイントは、96 GBのサーバー向けパーツの何分の1かのコストで済むハードウェア上で動作する一方、Salesforceのモデルには実行できる量子化リリースが存在しないからだ。

SOV-Transcribe-1 が本当に優れた選択肢となる場面

3つのケースがあり、最初は明白なものだ。英語が言語で、エンティティ精度が製品であるなら、コンポジットで2.28%対2.81%は実際の差であり、Salesforceモデルの最も弱い面であるEarnings22-Cleanedの4.06%でさえ、コンポジットが競合について示唆する値より依然として良い。Contextual Earnings-22では、SOV-Transcribe-1は、クリップ自体のヒントを使うとキーワードF1が71.9から96.8に上昇し、1時間全体のキーワードリストをディストラクタとして与えても94.0を維持すると報告している。NVIDIAは独自のContextual Earnings22の数値をF1ではなく単語誤り率で報告しており、コンテキストなしの12.54%からローカルの9.58%へと改善している。したがって両者は直接比較できないが、ヒントリストが役立ち、ディストラクタの多いヒントリストでも依然として役立つという結果の傾向は両方で同じだ。

2つ目のケースはライセンスです。Apache 2.0 と OpenMDW-1.1 の比較は、派生著作物について法務レビューが意見を持つ企業にとって形式的なものではありません。ファインチューニングして再配布する場合、あるいは出荷する製品にモデルを組み込む場合は、Apache の道のほうが短く済みます。

第三は、スコープの単純さです。一つのことだけを行うモデルは一つの出力を返し、文字起こし文字列を期待するパイプラインは、話者タグ、タイムスタンプ、不要かもしれないアラインメントエラーフィールドを含む構造化オブジェクトを受け取る場合よりも、扱いを理解しやすくなります。ダイアリゼーションを自前で管理したいチームは、信頼できる話者埋め込みモデルをすでに運用しているため、より狭いモデルからよりクリーンな入力を受け取れます。

リーダーボードなしでそれらから選ぶこと

音声が会議、複数の声が含まれる通話、または「誰が話したか」が成果物の一部となるものである場合、答えはNemotron 3.5 Transcribeであり、精度の議論は意味をなさない — SOV-Transcribe-1はそのフィールドを生成できない。音声が英語以外の場合も同様で、より顕著に当てはまる。録音が30分を超える場合、またはデータセンター向けカードより小さいハードウェアで実行する必要がある場合も、ここでもNVIDIAだ。

音声が英語で、単一話者または上流で既に話者分離済み、長さが30分未満、そして成果物が正しい固有名詞を含むテキストであるなら、SOV-Transcribe-1 は現在利用できる中でより精度の高い文字起こしツールであり、Apache ライセンスなら交渉の手間も省ける。それはローンチ時の報道が示唆していたよりも狭いワークロード群ではあるが、確かに実在するものである。

混合パイプラインもここでは通常の結果であり、どちらのモデルカードも扱っていない実務的な疑問を提起します。それは、その後トランスクリプトを読むのは何かという点です。OrcaRouterは200以上のテキスト・画像・動画モデルを1つのキーでプロバイダーの定価、マークアップ0%で提供しているため、下流の要約ツールや抽出ツールは2つ目の契約なしで差し替えやフェイルオーバーが可能です。これはトランスクリプトのソースがまだ決定されていない場合に有用です。これらの音声モデルはいずれもそれを通じて提供されておらず、そうであるとは主張しません。ルーティングはテキストから始まります。

この2つのリリースの間の2週間で変わったのは、オープンウェイトのランキング表の頂点にどのモデルが座るかではない。変わったのは、その表にもはや明確な答えがなく、答えがトランスクライバーを買うのか、トランスクリプトのパイプラインを買うのかによって決まるようになったことだ。NVIDIAが売っているのは後者だ。Salesforceが前者を公開し、それを極めてうまくやった。