SOV-Transcribe-1 vs Whisper Large v3 Turbo：2年間とWER 2.3ポイントの差は何の価値があるのか

Whisper Large v3 Turbo は、商業的な意味ではいかなる点でも SOV-Transcribe-1 の競合ではない。それは現行の支配的存在であり、2024年10月に公開された809Mパラメータ、MITライセンスのチェックポイントで、それ以降に出荷された文字起こし製品の大きなシェアの基盤として静かに使われ、今もホステッドエンドポイント上で1000分あたり0.67ドルで提供されている。SOV-Transcribe-1 は挑戦者であり、Salesforce によって2026年11月12日に公開され、Artificial Analysis の総合指標で Whisper Large v3 Turbo の4.62%に対して2.28%を記録している。したがって、問題はどちらのモデルが優れているかではない。代替案がノートPCのメモリに収まり、音声1時間あたり数セントで済むときに、エラー率を半減させることが53 GBのダウンロード、96 GBのGPU、そしてサービングスタックに見合うかどうかである。

2年間の進歩が実際にもたらしたもの

Whisper Large v3 Turbo は、デコーダーを32層から4層に削減した、プルーニング済みの Whisper large-v3 です。OpenAI 自身のモデルカードは、それについて気をそがれるほど率直です：「まったく同じモデルですが、デコーディング層の数が32から4に減っています。その結果、モデルは大幅に高速化し、その代償としてわずかな品質低下があります。」この一文は、アーキテクチャではなく、圧縮の判断を説明しています。

SOV-Transcribe-1は、もう一つの種類の変化です。SalesforceはWhisper large-v3のエンコーダー、つまり同じフロントエンドを維持し、4層のデコーダーを、プロジェクターの後段に配置したGemma 4 26B A4BのMixture-of-Experts言語モデルに置き換えました。音声知覚はWhisperから継承しています。音声を単語に変えるのは、Whisper turboチェックポイント全体の30倍の規模を持つ汎用言語モデルです。

• パラメータ — Whisper Large v3 Turbo 809M 対 SOV-Transcribe-1 総パラメータ26.6B、アクティブ4.6B。

• デコーダー — 4 つの Transformer レイヤー対、トークンあたり 4.6B がアクティブな 26B の mixture-of-experts。

• チェックポイントサイズ — 2 GB 未満に対し、BF16 では約 53 GB

• 言語 — およそ100対7。これは逆方向に進み、しかも強烈に進む。

• タイムスタンプ — 文レベルおよび単語レベルの出力がデコードループに組み込まれているのに対し、文書化されたものはない。

• ライセンス — MIT 対 Apache 2.0。どちらもパーミッシブライセンス。MIT の方がわずかにシンプルです。

• ハードウェア — CPUまたは小型GPUと、ドラフト有効構成向けの96 GB搭載RTX PRO 6000クラスカードとの比較。

その最後の一文は、議論全体を縮図にしたものだ。一方のモデルはどこでも動くが、もう一方は、ほとんどの文字起こしプロジェクトの年間クラウド請求額全体よりも高価なサーバー部品の上で動く。

誰もやらない誤差の計算

単語誤り率は、修正作業に換算するまでは抽象的な数字にすぎない。会話速度の毎分150語の英語音声1,000分、つまり15万語のコーパスを考えてみよう。4.62%の場合、Whisper Large v3 Turbo は約6,900語の誤った語、欠落した語、挿入された語を生み出す。2.28%の場合、SOV-Transcribe-1 は約3,400語を生み出す。その差は約3,500語であり、人間が探して直す必要のない語数だ。

では、修正のコストを計算しよう。注意深い編集者は、文字起こしと音声を突き合わせて照合するのに、おそらく毎分200〜400語の速さで作業する。つまり、エラーが3,500件少ないということは、音声1,000分あたり9〜18分の人間によるレビューが節約されるということだ。諸経費込みの時給30ドルなら4.50〜9.00ドル——ホスト型Whisper側の文字起こしコスト0.67ドルに対して。

その比較こそが、ほとんどのチームが決して移行しない理由だ。誤りによる人的コストは、文字起こしの機械コストを桁違いに上回る。だからこそ、誤りを半減させるモデルは価格の10倍の価値があるはずで、実際にはすでに無視できるほど安い価格と競合している。例外は、出力を誰も一切レビューしないパイプライン——自動インデックス作成、検索、分析、要約の供給——だ。そこでは誤りは修正されず、次にその文字起こしを読むものへと伝播し、効いてくるのは二次コストの方だからだ。

両スコアの基になっているインデックス自体がブレンドであり、半分が合成エージェント会話、4分の1が読み上げられた議会演説、4分の1が実際の決算電話会議です。そして2つのモデルは、それぞれの3分の1で大きく異なる挙動を示します。Whisper Large v3 Turboの構成要素はそれぞれ3.52%、3.97%、7.49%、SOV-Transcribe-1は1.79%、1.50%、4.06%です。差が最も大きいのは読み上げ議会演説で、1.50%対3.97%、2.6倍です。最も小さいのは決算電話会議で、ここでは両モデルとも苦戦し、差は4.06%対7.49%です。音声がクリーンな読み上げ音声なら、アップグレード効果は劇的です。雑音の多い複数話者の金融音声なら、両モデルとも不良で、新しいモデルはややましなだけです。

なぜWhisperは今なお請求書を制するのか

まずはホスト型の比較から始めましょう。多くのチームが実際に直面するのはこれだからです。Whisper Large v3 Turbo は、Artificial Analysis のボード上にある少なくとも1つのホスティングプロバイダーから、1,000分あたり0.67ドルで利用でき、実測速度係数は339.5です。これは、壁時計の1秒あたり339.5秒分の音声に相当します。SOV-Transcribe-1 には、ホスト型の分単位料金がまったくありません。Salesforce が公開したのはエンドポイントではなく重みであり、ボード上にもこれについて1,000分あたりの数値を掲載しているものはありません。

つまり比較はドル対GPU時間になり、モデルカードにはそれについて異例なほど完全な数値が示されている。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秒の音声を文字起こしできる。そのカードを1時間フル稼働させると、374万秒、つまり62,340分の音声を処理する。レンタル料が1時間あたり数ドルなら、音声1,000分あたり約3セント程度となり、一覧にある中で最も安いホスト型Whisperエンドポイントより20倍安い。

その数字は事実だが、この記事で最も誤解を招く数字でもある。なぜなら、そのカードが決してアイドル状態にならないことを前提としているからだ。音声文字起こしはバースト的だ。夜間にバックログが到着し、それが処理されると、その後GPUは20時間にわたって使用率ゼロのままになる。毎秒1,039音声秒なら、1枚のカードは1,000時間分の音声を1時間足らずで処理する。1日に1,000時間分の音声を持つ人はほとんどいない。正直な結論は、どちらのモデルをセルフホストするかは、規模ではなく使用率に関する経済的判断だということ、そしてカードを稼働させると決めた時点で、より良いモデルの限界コストはほぼゼロだということだ。

Whisperができるのに新しいモデルにはできない3つのこと

言語対応範囲が第一の点であり、その差は僅差ではない。Whisper Large v3 Turboのモデルカードには、英語や標準中国語からウェールズ語、マルタ語、ハワイ語、ラオ語、スンダ語に至るまで、100近い言語が記載されている。SOV-Transcribe-1が対応するのは英語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語、オランダ語だ。音声がヨーロッパ言語でないチームにとって、この比較には第二幕がない。Whisperは低予算の選択肢ではなく、両者の中では唯一の選択肢なのだ。

タイムスタンプは2つ目の論点です。Whisperのデコーディングループはそれらをネイティブに予測し、Transformersパイプラインは単一の引数を通じて文単位または単語単位でそれらを公開します。これが、2年間にわたりWhisper上で字幕、チャプターマーカー、コンプライアンス検索が構築されてきた方法です。SOV-Transcribe-1のカードには、文字起こし、スタイル制御、コンテキストバイアスが記載されており、タイムスタンプについては何もありません。下流でそれらを復元するには、出力に対して強制アライナーを実行する必要があり、それは別のモデル、別の依存関係、別のエラー源になります。

音声翻訳は3つ目です。Whisperは、そのソース言語のいずれかの音声を受け取り、2番目のパイプライン段階ではなくデコードタスクとして、英語テキストを直接出力できます。SOV-Transcribe-1は、話されている言語で文字起こしします。日本語のドキュメンタリーの字幕が必要な場合、Whisperは1回の呼び出しでそれを実行できますが、Salesforceのモデルはまったく実行できません。

Whisperの文書化された弱点には同等の注目が集まるべきだ。それらは移行を支持する最も強い根拠だからである。OpenAI自身のモデルカードは、同モデルが幻覚を起こす——発話されていないテキストを生成する——と警告しており、その原因は弱い教師ありのノイズの多いデータで訓練されたことにある。また、低資源言語ではこの問題がより深刻だとしている。さらに、系列変換アーキテクチャは繰り返しに陥りやすく、ビーム探索と温度フォールバックによって部分的にしか緩和されないとも指摘している。これらはまさに、レビューされていないパイプラインを危険にする失敗モードであり、2年にわたるアーキテクチャ作業が狙ったものでもある。

本当の移行とはどのようなものか

ほとんど誰も Whisper を SOV-Transcribe-1 に置き換えない。両者を使い分けており、そのルーティング規則は仕様から自明に導ける。音声が英語または対象となる他の6言語のいずれかで、単一話者、30分未満、エンティティが多い場合は、ヒントリスト付きでオープンモデルに送る。それ以外は Whisper に任せる。Salesforce の Contextual Earnings-22 の結果——キーワードF1がヒントなしの71.9から、クリップ自体のキーワードを与えると96.8に上昇し、1時間全体のキーワードリストを妨害要素として渡しても94.0を維持する——は、この分担を価値あるものにする具体的な能力だ。なぜなら、それは Whisper のプレフィックスプロンプトによるバイアス付けが同じようにはとてもできないことだからだ。

その分割の代償は、インフラの重複と2種類の出力フォーマットです。SOV-Transcribe-1はトランスクリプト文字列を返し、Whisperはテキストに加えてタイムスタンプ付きのチャンクを返すため、下流のすべてが両方を受け入れられる必要があります。実際には、ほとんどのチームは境界部分で自社のトランスクリプトスキーマに正規化してしまい、どちらのモデルが生成したかを気にしなくなります。

文字起こしの後に何が起こるかは、ボリュームに応じてスケールする部分であり、そこに置くべきなのは2つ目の音声ベンダーではなくルーターです。OrcaRouterは200以上のテキスト・画像・動画モデルを1つのキーの背後にプロバイダーの定価でマークアップ0%で提供するため、どちらの文字起こしを消費する要約ツール、インデクサー、分類器も新しい契約なしで差し替えたりフェイルオーバーしたりできます — そしてそのモデルのベンダーによる値下げは同日にここで反映されます。Whisper Large v3 TurboもSOV-Transcribe-1も、これを通じて提供されているわけではありません。どちらも自身で実行する重みであり、ルーティングはそれらが出力するテキストから始まります。

何があればこの比較は不要になりますか

2つのことがあり、どちらも1つのリリースサイクル内で実現可能だ。1つ目は量子化されたSOVチェックポイントだ。Whisper Large v3 Turboの実用的な利点は、どこにでも収まることにある。26.6Bモデルの4ビット版は依然として本格的なGPUを必要とするだろうが、FP8またはNVFP4のリリース——NVIDIAがNemotron 3.5 Transcribe向けに初日から提供したようなもの——であれば、Salesforceのモデルを「データセンター向け部品」から「ワークステーション向け部品」へと移し、デプロイに関する反対意見の大部分を解消するだろう。SalesforceはすでにMLX 4ビット版を公開しており、その方向性を示唆している。

第二に、タイムスタンプとダイアライゼーションがポイントリリースで登場することだ。どちらも明らかに欠けており、どちらも会議・メディア製品にとっての必須要素であり、そしてどちらもまさにv0.2のモデルカードが加える類のものだ。もしこれらが実装されれば、Whisperを動かす残された唯一の理由は100言語対応だけになる——そして多くのチームにとって、それは今Whisperを動かしている唯一の理由でもある。

それまではこの棲み分けは安定していて正当化しやすい。Whisper Large v3 Turbo は、多言語、タイムスタンプ付き、ロングテール、CPU 制約のある用途にとって引き続き正しいデフォルトであり、SOV-Transcribe-1 は、音声が英語で、語彙が既知で、機械が読む前に誰も出力を読まない場合に頼る専門特化モデルだ。