SOV-Transcribe-1 vs Gemini 3.5 Transcribe: drie tienden van een punt, en al het overige

Op het Artificial Analysis speech board liggen de twee modellen 0,32 procentpunt uit elkaar — SOV-Transcribe-1 op 2,28% AA-WER, Gemini 3.5 Transcribe op 2,60% — en dat is de kleinste kloof in deze hele vergelijking. Alle andere verschillen zijn groter. Gemini 3.5 Transcribe ondersteunt meer dan 85 talen tegenover zeven, identificeert tot acht sprekers waar het Salesforce-model er geen enkele identificeert, genereert tijdstempels op woordiniveau en heeft een apart live-endpoint voor streaming. SOV-Transcribe-1 heeft open gewichten onder Apache 2.0, draait op een GPU die je zelf bezit en accepteert een trefwoordenlijst die namen en tickers meetbaar corrigeert. Kiezen tussen deze twee is geen kwestie van nauwkeurigheid. Het is de vraag of je een transcriptie koopt of een pipeline.

Wat elk is

SOV-Transcribe-1 is Salesforce' eerste open-weight spraak-augmented taalmodel, gepubliceerd op 12 november 2026 als salesforce-sovereign-intelligence/SOV-Transcribe-1: een Whisper large-v3-encoder die een Gemma 4 26B A4B mixture-of-experts-decoder aanstuurt, 26,6B parameters in totaal en 4,6B actief, in een BF16-checkpoint van 53 GB. Het is non-streaming, verwerkt tot 30 minuten 16 kHz-audio per verzoek en wordt aangestuurd door instructies in het gebruikersbericht in plaats van door parameters.

Gemini 3.5 Transcribe is het gehoste spraak-naar-tekstmodel van Google, voor het laatst bijgewerkt in augustus 2026 en bereikbaar via de Gemini API als gemini-3.5-transcribe, met een WebSocket-streaming-tegenhanger genaamd gemini-3.5-transcribe-live. Het verwerkt audio van maximaal een uur per verzoek — dertig minuten wanneer diarisering of tijdstempels zijn ingeschakeld — en retourneert tekst plus woordannotaties. Er zijn geen gewichten om te downloaden en geen server om te dimensioneren.

De nauwkeurigheidskloof, ontleed

AA-WER v2 is een gewogen samengestelde maatstaf: AA-AgentTalk voor 50%, VoxPopuli-Cleaned voor 25%, Earnings22-Cleaned voor 25%. Het opsplitsen van de twee modellen over die componenten is informatiever dan het hoofdcijfer, omdat het voordeel van het Salesforce-model niet gelijkmatig verdeeld is.

• AA-AgentTalk — SOV-Transcribe-1 met 1,79%. Dit is de halfgewogen synthetische conversatieset, en dit is waar het Salesforce-model het sterkst is in vergelijking met al het andere op het bord.

• VoxPopuli-Cleaned — SOV-Transcribe-1 op 1,50%. Lees parlementaire spraak, en de Europese talen in de trainingsmix ervan zijn precies degene waaruit deze set put.

Earnings22-Cleaned — SOV-Transcribe-1 op 4,06%. Echte earnings calls: namen, tickers, getallen, overspraak. Het zwakste gebied van het model, en het gebied dat het dichtst bij enterprise-audio ligt.

Google publiceert geen componentuitsplitsing voor Gemini 3.5 Transcribe op dezelfde drie sets, dus de eerlijke uitspraak is dat de samengestelde score in het voordeel van Salesforce uitvalt met 0,32 punt en dat het beeld per dataset voor Google niet openbaar zichtbaar is. Iedereen die een duidelijke overwinning claimt op bijvoorbeeld callcenter-audio, extrapoleert vanuit een samengestelde score die voor de helft naar synthetische conversatie is gewogen.

Waar het gehoste model simpelweg vooroploopt

Vier mogelijkheden aan de Google-kant hebben geen tegenhanger in de Salesforce-release, en elk ervan bepaalt een productcategorie.

• Talen — meer dan 85, met automatische detectie en code-switching tijdens een sessie, tegenover zeven Europese talen. Als je audio Mandarijn, Hindi, Arabisch of Japans bevat, is SOV-Transcribe-1 geen kandidaat en is de nauwkeurigheidsvergelijking zinloos.

• Sprekerstructuur — diarisatie voor maximaal acht sprekers, waarbij toewijzing bij meer dan drie sprekers als experimenteel wordt aangeduid. SOV-Transcribe-1 vermeldt helemaal geen diarisatie; een transcript van een gesprek tussen twee personen komt terug als één ongedifferentieerd blok tekst.

• Tijdstempels — uitvoer op woordniveau op het batch-endpoint. Het model van Salesforce levert een transcriptietekst op, dus het genereren van ondertitels of het zoeken op tijdstempel voor compliance moet downstream worden gebouwd.

• Streaming — een speciaal live-endpoint met sessies van tien minuten en bidirectioneel WebSocket-transport. SOV-Transcribe-1 is expliciet niet-streaming; er is geen modus voor gedeeltelijke transcriptie om in te schakelen.

Er is een vijfde verschil dat geen functie maar een beperking is. Google's eigen documentatie vermeldt dat tijdstempels op woordniveau de nauwkeurigheid van transcripties verminderen en niet compatibel zijn met aangepaste vocabulaire, en dat diarisatie ook niet compatibel is met vocabulaire-biasing. Het gehoste model dwingt je per aanvraag te kiezen welke mogelijkheid je wilt. Het Salesforce-model dwingt je één keer te kiezen, op het niveau van "nooit diarisatie".

Waar het open model vooroploopt, voorbij de score

Het voor de hand liggende antwoord is dataresidentie, en voor een groot deel van de kopers is dat ook het juiste: Apache 2.0-gewichten op hardware die u zelf beheert, betekenen dat audio het gebouw nooit verlaat. Voor opnamen van callcenters in de financiële sector of de gezondheidszorg is dat vaak een harde eis in plaats van een voorkeur, en geen enkele gehoste API voldoet daaraan, ongeacht de WER.

Het minder voor de hand liggende antwoord is biasing. Op Contextual Earnings-22 verhoogt SOV-Transcribe-1 de keyword-F1 van 71,9 zonder hints naar 96,8 wanneer de eigen keywords van de clip worden meegegeven, en blijft het op 94,0 staan wanneer de volledige keywordlijst van het hele uur wordt aangeleverd, met de meeste vermeldingen als afleiders. Gemini biedt ook biasing met een aangepaste vocabulaire, tot 1.000 termen, met de beste resultaten gemeld rond 100 — maar het kan niet worden gecombineerd met de diarisatie of tijdstempels die je misschien ook wilt. Als entiteitsnauwkeurigheid het product is, kunnen beide modellen dat; slechts één van hen kan dat terwijl het ook sprekerlabels produceert.

Stijlcontrole is de derde. SOV-Transcribe-1 is getraind om instructies op te volgen — letterlijk versus opgeschoond, cijfers versus woorden, stopwoorden behouden of weggelaten — en Salesforce rapporteert een voorkeursbewuste WER van 5,05% met de gegeven instructie. Het equivalent van Google is "Smart transcription", dat het verwijderen van stopwoorden en intentiebewuste opmaak omvat, maar het is een modus in plaats van een instructieoppervlak.

De kostenvergelijking die er echt toe doet

Google publiceert Gemini 3.5 Transcribe tegen $2.00 per miljoen audio-invoertokens en $12.00 per miljoen uitvoertokens, wat de prijspagina omrekent naar ongeveer $0.003 per minuut voor invoer en $0.002 per minuut voor uitvoer, of ongeveer $0.005 per minuut gecombineerd. Het scorebord van Artificial Analysis vermeldt hetzelfde model tegen $5.00 per 1.000 minuten. Hoe dan ook kosten duizend minuten audio ongeveer vijf dollar.

SOV-Transcribe-1 heeft geen prijs per minuut omdat Salesforce geen endpoint verkoopt. Het vergelijkbare cijfer is doorvoer: met native vLLM-ondersteuning en het DFlash-conceptmodel transcribeert één RTX PRO 6000 Blackwell Server Edition tot 1.039 seconden audio per seconde. Bij die snelheid verwerkt één kaart duizend minuten in ongeveer een minuut kloktijd, dus het omslagpunt ten opzichte van een API van $5 per 1.000 minuten wordt bij elk serieus volume bereikt — en wordt helemaal nooit bereikt als je drie uur per week transcribeert en de kaart daarvoor per uur zou moeten huren.

Bij die rekensom horen twee kanttekeningen. Het getal 1.039 is een meting uit een vLLM-developmentbuild van november 2026 met max_num_seqs=64, tevens de instelling die nodig is om de opstartprofilering binnen 96 GB te houden zodra het draftmodel is geladen. En de integratie is een plugin die vastgezet is op vLLM 0.32.0, waarbij native upstream-ondersteuning wordt omschreven als werk in uitvoering. Je koopt niet zomaar een GPU; je onderhoudt een servingstack.

Beslisregels

Kies Gemini 3.5 Transcribe wanneer een van deze situaties van toepassing is: de audio is niet in een van de zeven Europese talen, je hebt sprekerlabels of tijdstempels nodig als eersteklas uitvoer, je hebt gedeeltelijke transcripties nodig terwijl de audio nog binnenkomt, of je volume is zo laag dat een GPU zichzelf nooit terugverdient. Het nauwkeurigheidstekort van 0,32 punt is een echte kostenpost, maar het is een kostenpost gemeten op een samengestelde score die voor de helft is gewogen naar synthetische gesprekken, en het levert vier mogelijkheden op die je anders zelf zou moeten bouwen.

Kies SOV-Transcribe-1 wanneer de audio overwegend Engelstalig en entiteitsrijk is, wanneer de woordenschat vooraf bekend is, wanneer de opnamen korter dan dertig minuten duren, en wanneer "de audio blijft op onze hardware" een contractvoorwaarde is in plaats van een voorkeur. Batchgewijze nachtelijke transcriptie van opgenomen verkoopgesprekken is de workload waarvoor dit model duidelijk is ontworpen.

Gemengde omgevingen zijn het gebruikelijke resultaat, en het lastige zit nooit in de transcriptie. Het zit hem erin dat transcriptie een tweede model voedt — een samenvatter, een classificator, een QA-agent — en het wijzigen van die afnemer betekent een nieuwe leverancier, een nieuwe sleutel en een nieuwe factuur. OrcaRouter verwijdert die stap: 200+ tekst-, beeld- en videomodellen achter één sleutel tegen lijstprijzen van providers met 0% opslag, zodat het model stroomafwaarts van het transcript kan worden vervangen of overgeschakeld zonder de transcriptiepijplijn überhaupt aan te raken. Het host geen van beide spraakmodellen, en dat hoeft ook niet. De transcriptielaag blijft waar ze is; de routering begint bij de tekst die ze produceert.

Het enige wat je niet moet doen, is het verschil van 0,32 punt als de beslissing behandelen. Het is het kleinste getal in de vergelijking en voor de meeste teams het minst zwaarwegend.