SOV-Transcribe-1 vs GPT Transcribe: 하나는 벤치마크를 공개하고, 다른 하나는 가격을 공개한다

OpenAI는 GPT Transcribe의 단어 오류율을 공개한 적이 없다. 이 모델은 API 문서에 가격과 엔드포인트 목록이 붙은 스냅샷으로 등장하며, 그것이 공개된 기록의 전부다 — 정확도 표도, 언어 목록도, 전작과의 비교도 없다. 따라서 이 비교에서 유일하게 근거를 댈 수 있는 수치는 다른 누군가의 평가 하네스에서 나온다. Artificial Analysis는 GPT Transcribe를 AA-WER 3.31%로 측정했고, 2026년 11월 12일 공개된 오픈 웨이트 Salesforce 모델인 SOV-Transcribe-1은 2.28%를 기록했다. 단어 오류율 1포인트 차이가 두 모델을 갈라놓지만, 그것은 이 글에서 가장 쓸모없는 사실이다. 쓸모 있는 사실은 GPT Transcribe는 WebSocket 세션을 통해 실시간으로 스트리밍되며 SOV-Transcribe-1은 스트리밍을 전혀 할 수 없다는 점, 하나는 분당 $0.0045이고 다른 하나는 GPU가 필요하다는 점, 그리고 어느 벤더도 두 모델이 여러분의 오디오에서 어떻게 작동하는지 알려주지 않는다는 점이다.

OpenAI가 실제로 문서화하는 내용

gpt-transcribe라는 스냅샷은 완료된 오디오 파일, 스트리밍된 파일 전사, WebSocket을 통한 Realtime 세션의 커밋된 턴을 처리합니다. 따라서 스트리밍은 배치 호출의 플래그가 아니라 자체 전송 방식을 갖춘 문서화된 기능입니다. 카탈로그 페이지는 비정형 컨텍스트, 키워드 힌트, 여러 언어 힌트 지원도 언급하는데, 이는 SOV-Transcribe-1이 지침을 통해 제공하는 바이어싱과 같은 형태입니다. 문서화된 가격은 오디오 분당 $0.0045로, 이는 오디오 한 시간당 $0.27에 해당하며, 실무자식으로 말하면 녹음된 통화 1,000시간을 전사하는 데 $270이 든다는 것입니다.

없는 것도 그만큼 정보를 준다. 모델 페이지는 성능을 정성적인 "Highest" 라벨로만 평가하고 속도는 "Medium"으로 표시할 뿐이다. WER도 없고, 언어별 정확도도 없고, 최대 오디오 길이를 엄격한 한도로 명시하지도 않으며, Whisper와 비교하는 평가 표도 없다. O​penAI의 더 오래된 음성 모델인 Whisper Large v3 Turbo에는 한계 섹션이 포함된 모델 카드와 이를 뒷받침하는 논문이 있다. G​PT Transcribe에는 가격, 엔드포인트 목록, 그리고 형용사 두 개가 전부다. 이는 비난이 아니다 — 많은 프로덕션 모델이 공개된 평가 없이 출시된다 — 그러나 이는 구매자가 도입을 확정하기 전에 확인할 수 있는 범위를 바꾸며, 두 공급업체가 모두 공개하는 비교에서보다 여기서 독립 하네스가 더 중요한 이유이기도 하다.

바깥쪽 숫자 하나, 그리고 그것이 얼마나 큰 무게를 지니는지

Artificial Analysis는 해당 보드의 모든 항목에 사용하는 것과 동일한 3세트 복합 지표로 G​PT Transcribe를 실행합니다: AA-AgentTalk 50% 가중치, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25%. G​PT Transcribe는 3.31%를 기록합니다. 동일한 하네스에서 SOV-Transcribe-1은 2.28%를 기록합니다.

격차를 신뢰하기 전에 구성 요소를 살펴보세요. SOV-Transcribe-1의 2.28%는 합성 대화 세트에서 1.79%, 낭독된 의회 연설에서 1.50%, 실제 실적 발표 콜에서 4.06%를 평균한 값입니다 — 최고 및 최저 평가 영역 간 격차는 거의 3대 1입니다. GPT Transcribe에도 비슷한 격차가 있고, 그렇지 않다고 생각할 공개된 근거가 없다면, 종합 점수에서 1점 격차는 실적 발표 콜에서는 2점 격차이고 낭독 연설에서는 반올림 오차일 수 있습니다. Artificial Analysis 외부에서는 아무도 알 수 없으며, Artificial Analysis는 모든 모델에 대한 세트별 세부 분석이 아니라 종합 점수를 공개합니다.

두 번째 독립 지표는 속도입니다. 같은 보드에서 G​PT Transcribe의 속도 계수는 43.1로 측정됩니다. 즉 실제 시간 1초당 43.1초 분량의 오디오를 처리합니다. 규모를 가늠하자면, 같은 측정에서 Whisper Large v3 Turbo는 339.5, G​emini 3.5 Transcribe는 94.4입니다. G​PT Transcribe는 네 제품 중 가장 느리며 그 격차도 큽니다. 그리고 전화 통화가 아니라 아카이브를 전사하는 경우라면, 바로 이 수치가 대기열 깊이를 결정합니다.

오픈 모델의 숫자는 어디에서 나오고, 어디에서 끝나는가

SOV-Transcribe-1의 2.28%는 독립적인 수치이지만, 그 외 거의 모든 것은 Salesforce가 보고한 값이다. 모델 카드는 비공개 리더보드인 VoiceCodeBench에서 76.3%의 전체 통과율과 같은 세트에서 93.4%의 엔터티 복원율을, AppTek Call-Center Dialogues에서 14개 영어 억양 전반에 걸쳐 평균 WER 8.21%를, 환각에 초점을 맞춘 어닝콜 세트인 HALAS에서 25.69%를 주장한다. 이 중 현재 제3자가 재현할 수 있는 것은 Artificial Analysis 종합 점수뿐이다. 기술 보고서는 "공개 예정"으로 링크되어 있다.

그래서 정확도 비교를 솔직하게 구성하자면 불편할 정도로 비대칭적입니다. 오픈 모델은 더 나은 독립적 점수와 검증되지 않은 벤더 주장이 다수 있는 반면, 호스팅 모델은 더 나쁜 독립적 점수와 벤더 주장이 전혀 없습니다. 어느 쪽 입장도 강력하지 않습니다. 만약 결정이 억양 견고성이나 엔티티 정확도에 달려 있다면, 벤더의 슬라이드 한 장과 침묵 사이에서 선택하는 셈이며, 이를 해결할 유일한 방법은 자신의 오디오 클립 수백 개에 두 모델을 모두 돌려보는 것입니다.

스트리밍은 그 논쟁을 끝내는 차이입니다

이것은 뉘앙스의 차이가 아닙니다. GPT Transcribe는 WebSocket을 통해 실시간 전사 세션을 열고 오디오가 도착하는 대로 부분 텍스트를 반환합니다. SOV-Transcribe-1은 명시적으로 비스트리밍 방식입니다. 최대 30분 분량의 16kHz 모노 오디오가 포함된 완전한 녹음을 입력받아 완전한 전사 결과를 반환합니다. 활성화할 부분 출력 모드도 없고, 이를 생성하는 구성도 없습니다.

실시간 캡셔닝 제품, 음성 에이전트, 콜센터 에이전트 지원 오버레이처럼 발화자가 말을 멈추기 전에 전사본이 존재해야 하는 모든 경우에는 정확도를 논하기도 전에 비교가 끝난다. SOV-Transcribe-1은 더 느린 선택지가 아니라 선택지조차 아니다. 반대로 워크로드가 녹음된 통화의 야간 배치 전사라면 — 대부분의 기업 음성 물량이 실제로 그렇다 — 스트리밍은 비용을 지불하고도 결코 호출하지 않을 기능이며, 1.03포인트의 정확도 우위는 공짜 이익이다.

그 아래에는 두 번째 구조적 차이가 있습니다. GPT Transcribe는 관리형 엔드포인트입니다. 스냅샷 이름은 고정되어 있고, 응답 형식은 OpenAI가 변경할 수 있으며, 1년 뒤에 호출하는 버전도 같은 이름이고 그 이름 뒤에는 그동안 배포된 개선 사항이 무엇이든 적용되어 있습니다. SOV-Transcribe-1은 전사 문자열 하나만 반환하고 그 외에는 아무것도 반환하지 않습니다. 단어 타임스탬프도, 화자 레이블도 없습니다. 이는 실질적인 비용이지만, 동시에 출력 형식은 다운스트림 코드가 어떻게 처리하느냐에 달려 있고, 다운로드한 가중치는 직접 교체하지 않는 한 사용자 모르게 변경되지 않는다는 뜻이기도 합니다.

계산 과정을 제시한 비용 비교

G​PT Transcribe는 오디오 1분당 $0.0045로 책정되며, 즉 1,000분당 $4.50입니다. 이는 Artificial Analysis 보드에 표시된 수치와 정확히 일치합니다. 모델링할 토큰 계산은 없고 문서화된 할인 등급도 없습니다.

Salesforce 쪽에는 나란히 놓을 분당 숫자가 없습니다. 분 단위로 살 것이 없기 때문입니다. 대신 이 카드는 처리량을 제시합니다. 네이티브 vLLM 지원과 DFlash 드래프트 모델을 갖춘 RTX PRO 6000 Blackwell Server Edition 한 대는 초당 최대 1,039초 분량의 오디오를 전사하며, 30초 클립의 전사문을 0.22초 만에 반환합니다. 1,000분 오디오는 60,000초이므로, 그 속도라면 GPU 시간 1분 이내에 처리됩니다.

두 숫자를 나란히 놓으면, 그 두 숫자는 뭔가 구체적인 것을 말해 줍니다. 1,000분당 $4.50로, G​PT Transcribe는 오픈 모델이 카드 한 장에서 약 58초 동안 처리하는 분량에 $4.50이 듭니다. 대여한 RTX PRO 6000은 시간당 한 자릿수 달러대 초반으로 돌아가므로, 오픈 경로는 지속적인 처리량이 어느 정도든 더 저렴합니다 — 다만 카드가 바쁘게 돌아갈 때만 그렇습니다. 주당 오디오 3시간이라면 카드는 99%의 시간 동안 유휴 상태이고, API가 10배 더 저렴한 답입니다. 버전 0.32.0에 고정된 vLLM 플러그인을 유지보수하는 엔지니어를 누구 하나 계산에 넣기도 전에요.

처리량 수치에는 모델 카드에서 비롯된 두 가지 주의 사항이 있습니다. 이는 2026년 11월의 개발 빌드 측정치이며, 초안 모델이 로드된 후 시작 프로파일링을 카드의 96GB 내로 유지하려면 max_num_seqs=64가 필요합니다. 기본값인 동시 시퀀스 1,024개로는 들어가지 않습니다. 이는 엔드포인트를 호출하는 것이 아니라 서버 규모를 산정하는 상황입니다.

중간 경로, 그리고 라우터가 들어갈 자리

이 지점에 도달하는 대부분의 팀은 하나를 고르지 않습니다. 대화형 작업에는 호스팅 API를 유지하고 아카이브 백로그에는 오픈 모델을 추가하는데, 이는 곧 두 개의 전사 경로, 두 개의 출력 형식, 두 개의 비용 센터를 의미하며, 그 다음에는 보통 두 가지 모두를 요약하거나 분류하거나 검색해야 하는 하나의 다운스트림 텍스트 모델이 따라붙습니다.

마지막 홉이야말로 라우팅할 가치가 있는 구간입니다. OrcaRouter는 200개 이상의 텍스트, 이미지, 비디오 모델을 단일 키 뒤에 두고 공급자 목록 가격에 0% 마크업으로, 따라서 어느 전사본을 읽든 요약기나 분류기는 새 계약 없이 교체, 비교, 장애 조치할 수 있으며 — 해당 텍스트 모델에 대한 공급자의 가격 인하는 공급자 자체 가격표에 반영되는 당일에 적용됩니다. 이곳은 G​PT Transcribe나 SOV-Transcribe-1을 호스팅하지 않습니다. 두 음성 모델 모두 우리가 제공하는 것이 아니며, 라우팅은 그들이 생성하는 텍스트에서 시작됩니다. 이것이 주는 이점은 전사 결정이 분석 결정과 더 이상 결합되지 않는다는 것입니다.

누가 무엇을 골라야 할까요?

오디오가 아직 재생되는 동안 전사본이 존재해야 할 때, GPU 운영 역량도 없고 직접 구축할 의향도 없을 때, 처리량이 적당히 적어 오디오 1시간당 $0.27이 엔지니어링 시간에 비하면 반올림 오차에 불과할 때, 또는 엔드포인트를 뒷받침하는 지원 계약이 있는 벤더가 단순히 필요할 때 GPT Transcribe를 선택하세요. 그 대가로 1.03포인트의 정확도 격차를 받아들이고, 43.1x 실시간 속도에서는 그것을 통해 대규모 아카이브를 백필할 계획을 세우지 말아야 한다는 점을 유념하세요.

오디오가 영어 중심이고 파일당 30분 미만이며 실시간이 아니라 사후에 필요한 경우에는 SOV-Transcribe-1을 선택하세요. 녹음이 인프라 밖으로 나갈 수 없는 경우, 어휘를 미리 알고 있어 힌트 목록으로 전달할 수 있는 경우—Salesforce가 Contextual Earnings-22에서 키워드 F1이 71.9에서 96.8로 상승했다고 보고함—, 그리고 이미 다른 용도로 GPU를 운영하고 있어 해당 카드의 한계 비용이 거의 0에 가까운 경우에도 선택하세요.

당신이 해서는 안 되는 일은 3.31% 대 2.28%를 트집 잡는 것입니다. 그 두 숫자는 하나의 하네스에서, 하나의 복합 가중치로 나온 것이며, 두 모델 모두에 대해 세트별 세부 분해가 공개되지 않았습니다. 그 숫자만으로는 오픈 모델이 영어 대화 및 낭독 발화에서 아마 더 정확하다고 말할 수는 있습니다. 하지만 당신의 오디오에서 얼마나 더 정확한지는 말할 수 없으며, G​PT Transcribe가 SOV-Transcribe-1에는 없는 기능들 — 스트리밍, 관리형 엔드포인트, 서빙 스택 없이 키워드 및 언어 힌트, 그리고 가동 시간을 뒷받침하는 벤더 계약 — 은 WER로 전혀 측정되지 않습니다.