SOV-Transcribe-1 vs Gemini 3.5 Transcribe: 0.3점 차이, 그리고 그 밖의 모든 것

Artificial Analysis 음성 보드에서 두 모델은 0.32퍼센트포인트 차이로 자리합니다 — SOV-Transcribe-1은 AA-WER 2.28%, Gemini 3.5 Transcribe는 2.60% — 그리고 이는 이 전체 비교에서 가장 작은 격차입니다. 나머지는 모두 더 큽니다. Gemini 3.5 Transcribe는 7개 언어 대비 85개 이상의 언어를 지원하고, Salesforce 모델이 전혀 식별하지 못하는 반면 최대 8명의 화자를 식별하며, 단어 수준 타임스탬프를 출력하고, 스트리밍을 위한 별도의 라이브 엔드포인트를 갖추고 있습니다. SOV-Transcribe-1은 Apache 2.0에 따른 오픈 가중치이며, 직접 소유한 GPU에서 실행되고, 이름과 티커를 측정 가능할 정도로 교정하는 키워드 목록을 입력받습니다. 둘 중 하나를 선택하는 것은 정확성에 관한 질문이 아닙니다. 그것은 전사본을 사는 것인지 파이프라인을 사는 것인지에 관한 질문입니다.

각각이 무엇인지

SOV-Transcribe-1은 Salesforce의 첫 오픈 웨이트 음성 증강 언어 모델로, 2026년 11월 12일 salesforce-sovereign-intelligence/SOV-Transcribe-1로 공개되었습니다. Whisper large-v3 인코더가 Gemma 4 26B A4B mixture-of-experts 디코더에 입력을 공급하는 구조이며, 총 매개변수는 26.6B, 활성 매개변수는 4.6B이고 53GB BF16 체크포인트로 제공됩니다. 비스트리밍 방식이며 요청당 최대 30분의 16kHz 오디오를 처리하고, 매개변수가 아니라 사용자 메시지의 지시로 제어됩니다.

Gemini 3.5 Transcribe는 Google의 호스팅 음성-텍스트 변환 모델로, 2026년 8월에 마지막으로 업데이트되었으며 Gemini API에서 gemini-3.5-transcribe로 접근할 수 있습니다. 또한 gemini-3.5-transcribe-live라는 WebSocket 스트리밍 대응 모델도 있습니다. 요청당 최대 1시간의 오디오를 처리하며 — 화자 분리 또는 타임스탬프가 켜져 있으면 30분 — 텍스트와 단어별 주석을 반환합니다. 다운로드할 가중치도, 용량을 산정할 서버도 없습니다.

정확도 격차, 분해해서 보기

AA-WER v2는 가중 복합 지표입니다: AA-AgentTalk 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25%. 두 모델을 해당 구성 요소별로 나누어 보는 것이 대표 수치보다 더 많은 정보를 줍니다. Salesforce 모델의 우위가 고르게 분포되어 있지 않기 때문입니다.

• AA-AgentTalk — SOV-Transcribe-1, 1.79%. 이는 절반 가중치가 적용된 합성 대화 세트이며, Salesforce 모델이 보드의 다른 어떤 항목보다 상대적으로 가장 강력한 성능을 보이는 영역입니다.

• VoxPopuli-Cleaned — SOV-Transcribe-1 1.50%. 의회 연설을 읽으며, 훈련 믹스에 포함된 유럽 언어들은 이 세트가 가져오는 언어와 정확히 일치합니다.

• Earnings22-Cleaned — SOV-Transcribe-1, 4.06% 기록. 실제 실적 발표 콜: 이름, 티커, 숫자, 동시 발언. 모델이 가장 취약한 영역이자 엔터프라이즈 오디오에 가장 가까운 영역.

Google은 Gemini 3.5 Transcribe에 대해 동일한 세 데이터셋의 구성 요소별 분석을 공개하지 않으므로, 솔직히 말하면 종합 점수는 Salesforce가 0.32점 앞서며 Google의 데이터셋별 상황은 공개적으로 확인할 수 없습니다. 예를 들어 콜센터 오디오에서 확실한 우위를 주장하는 사람은 합성 대화 쪽에 절반의 가중치를 둔 종합 점수에서 추론하는 것입니다.

호스팅된 모델이 단순히 앞서 있는 경우

Google 측의 네 가지 기능은 Salesforce 릴리스에 대응하는 항목이 없으며, 각각이 제품의 한 범주를 결정합니다.

• 언어 — 자동 감지 및 세션 중 코드 스위칭을 지원하는 85개 이상 언어(유럽 7개 언어와 비교). 오디오에 만다린, 힌디어, 아랍어 또는 일본어가 포함되어 있다면 SOV-Transcribe-1은 후보가 아니며 정확도 비교는 의미가 없습니다.

• 화자 구조 — 최대 8명의 화자에 대한 다이어리제이션을 지원하며, 3명을 초과하는 화자에 대한 귀속은 실험적 기능으로 표시됩니다. SOV-Transcribe-1은 다이어리제이션을 전혀 문서화하지 않으며, 2인 통화 전사본은 구분되지 않은 하나의 텍스트 블록으로 반환됩니다.

• 타임스탬프 — 배치 엔드포인트에서 단어 수준 출력. Salesforce의 모델은 전사 문자열을 내보내므로, 자막 생성이나 타임스탬프 기준 규정 준수 검색은 다운스트림에서 구축해야 합니다.

• 스트리밍 — 10분 세션과 양방향 WebSocket 전송을 제공하는 전용 라이브 엔드포인트입니다. SOV-Transcribe-1은 명시적으로 비스트리밍 방식이며, 활성화할 수 있는 부분 전사 모드는 없습니다.

다섯 번째 차이점은 기능이 아니라 제약입니다. Google 자체 문서에서는 단어 수준 타임스탬프가 전사 정확도를 떨어뜨리고 사용자 지정 어휘와 호환되지 않으며, 화자 분리도 어휘 편향과 호환되지 않는다고 명시합니다. 호스팅 모델에서는 요청마다 어떤 기능을 원하는지 선택해야 합니다. Salesforce 모델에서는 "화자 분리는 절대 안 함"이라는 수준에서 한 번만 선택하면 됩니다.

오픈 모델이 앞서는 지점, 점수 너머에서

가장 명백한 답은 데이터 상주성이며, 이는 상당수 구매자에게 옳은 답입니다. 직접 제어하는 하드웨어에서 Apache 2.0 가중치를 실행한다는 것은 오디오가 건물 밖으로 절대 나가지 않는다는 뜻입니다. 금융 서비스나 의료 분야의 콜센터 녹음의 경우 이는 선호 사항이 아니라 흔히 필수 요건이며, WER과 무관하게 어떤 호스팅 API도 이를 충족하지 못합니다.

덜 뻔한 답은 바이어싱입니다. Contextual Earnings-22에서 SOV-Transcribe-1은 힌트가 없을 때 키워드 F1을 71.9에서, 클립 자체의 키워드를 주면 96.8로 끌어올리며, 대부분의 항목이 방해 요소인 한 시간 전체의 키워드 목록을 받아도 94.0을 유지합니다. Gemini도 최대 1,000개 용어의 사용자 지정 어휘 바이어싱을 제공하며 최상의 결과는 약 100개에서 보고되지만, 원할 수 있는 화자 분리나 타임스탬프와 함께 사용할 수는 없습니다. 엔터티 정확도가 제품의 핵심이라면 두 모델 모두 할 수 있습니다. 다만 화자 레이블까지 함께 출력하면서 이를 할 수 있는 모델은 하나뿐입니다.

스타일 제어가 세 번째입니다. SOV-Transcribe-1은 지시를 받아들이도록 훈련되었습니다. 그대로 vs 정리됨, 숫자 vs 단어, 필러 유지 또는 제거 같은 지시 말이죠. Salesforce는 주어진 지시에 대해 5.05%의 선호도 인식 WER을 보고합니다. Google의 대응 기능은 "Smart transcription"으로, 필러 제거와 의도 인식 형식을 포괄하지만 지시 인터페이스가 아니라 하나의 모드입니다.

실제로 중요한 비용 비교

Google은 Gemini 3.5 Transcribe를 오디오 입력 토큰 100만 개당 $2.00, 출력 토큰 100만 개당 $12.00에 공개했으며, 가격 페이지에서는 이를 대략 입력 분당 $0.003, 출력 분당 $0.002, 즉 혼합 기준 분당 약 $0.005로 환산합니다. Artificial Analysis의 보드에는 같은 모델이 1,000분당 $5.00로 올라 있습니다. 어느 쪽이든 오디오 1,000분의 비용은 약 5달러입니다.

SOV-Transcribe-1에는 분당 가격이 없습니다. Salesforce가 엔드포인트를 판매하지 않기 때문입니다. 비교 가능한 수치는 처리량입니다. 네이티브 vLLM 지원과 DFlash 드래프트 모델을 갖추면 RTX PRO 6000 Blackwell Server Edition 한 장이 초당 최대 1,039초의 오디오를 전사합니다. 이 속도라면 카드 한 장이 약 1분의 실제 경과 시간에 1,000분을 처리하므로, 1,000분당 $5인 API와의 손익분기점은 본격적인 물량이라면 어느 수준에서든 도달합니다. 그리고 주당 3시간을 전사하면서 그 작업을 위해 카드를 시간 단위로 임대해야 한다면 그 지점은 결코 오지 않습니다.

그 계산에는 두 가지 주의할 점이 따라붙습니다. 1,039라는 수치는 2026년 11월의 vLLM 개발 빌드 측정값이며 max_num_seqs=64로 설정한 경우인데, 이는 드래프트 모델이 로드된 후 시작 프로파일링을 96 GB 안으로 유지하는 데 필요한 설정이기도 합니다. 또한 이 통합은 vLLM 0.32.0에 고정된 플러그인이며, 네이티브 업스트림 지원은 아직 작업 중이라고 설명됩니다. 단순히 GPU를 사는 것이 아니라 서빙 스택을 유지 관리하는 것입니다.

결정 규칙

다음 중 하나라도 해당하면 Gemini 3.5 Transcribe를 선택하세요. 오디오가 일곱 개의 유럽 언어 중 하나가 아닐 때, 화자 라벨이나 타임스탬프를 일급 출력으로 필요로 할 때, 오디오가 아직 들어오는 중에 부분 전사가 필요할 때, 또는 사용량이 너무 적어 GPU가 투자 대비 이득을 내지 못할 때입니다. 0.32점의 정확도 손실은 실제 비용이지만, 이는 합성 대화 쪽에 절반의 가중치를 둔 복합 지표에서 측정된 비용이며, 그 대가로 직접 구축해야 했을 네 가지 기능을 얻습니다.

오디오가 영어 중심이고 엔터티가 많을 때, 어휘를 미리 알고 있을 때, 녹음 길이가 30분 미만일 때, 그리고 “오디오는 우리 하드웨어에 남는다”가 선호 사항이 아니라 계약서의 문구일 때 SOV-Transcribe-1을 선택하세요. 녹음된 영업 통화를 야간에 일괄 전사하는 작업은 이 모델이 분명히 염두에 두고 설계된 워크로드입니다.

혼합된 모델 구성은 흔한 결과이며, 곤란한 부분은 결코 전사가 아닙니다. 문제는 전사가 두 번째 모델—요약기, 분류기, QA 에이전트—로 입력되고, 그 소비자를 바꾸려면 새 공급업체, 새 키, 새 청구서가 필요하다는 점입니다. OrcaRouter는 그 단계를 없앱니다: 하나의 키로 200개 이상의 텍스트, 이미지 및 비디오 모델을 제공업체 목록 가격에 0% 마크업으로 이용할 수 있으며, 따라서 전사문의 다운스트림 모델은 전사 파이프라인을 전혀 건드리지 않고 교체하거나 장애 조치할 수 있습니다. 두 음성 모델 중 어느 것도 호스팅하지 않으며, 그럴 필요도 없습니다. 전사 계층은 그대로 있고, 라우팅은 그것이 생성하는 텍스트에서 시작됩니다.

하지 말아야 할 한 가지는 0.32점 격차를 결정 사항으로 취급하는 것입니다. 그것은 비교에서 가장 작은 숫자이며, 대부분의 팀에게 가장 영향력이 작은 숫자입니다.