SOV-Transcribe-1 vs GPT Transcribe: De een publiceert benchmarks, de ander publiceert een prijs

OpenAI heeft nooit een woordfoutpercentage voor GPT Transcribe gepubliceerd. Het model verschijnt in de API-documentatie als een snapshot met een prijs en een lijst met endpoints, en dat is alles wat er openbaar over bekend is — geen nauwkeurigheidstabel, geen talenlijst, geen vergelijking met zijn voorganger. Dat betekent dat het enige verdedigbare cijfer in deze vergelijking uit de testopstelling van iemand anders komt: Artificial Analysis meet GPT Transcribe op 3,31% AA-WER, tegenover 2,28% voor SOV-Transcribe-1, het open-weight Salesforce-model dat op 12 november 2026 werd uitgebracht. Een vol procentpunt woordfout scheidt ze, en dat is het minst nuttige feit in het artikel. De nuttige feiten zijn dat GPT Transcribe in realtime streamt via een WebSocket-sessie en SOV-Transcribe-1 helemaal niet kan streamen, dat de ene $0,0045 per minuut kost en de andere een GPU, en dat geen van beide leveranciers je zal vertellen hoe elk van beide modellen zich op jouw audio gedraagt.

Wat OpenAI daadwerkelijk documenteert

De snapshot heet gpt-transcribe. Hij verwerkt voltooide audiobestanden, gestreamde bestandstranscripties en vastgelegde beurten in Realtime-sessies via WebSocket — streaming is dus een gedocumenteerde mogelijkheid met een eigen transport, geen vlag op de batch-call. De cataloguspagina vermeldt ook ondersteuning voor ongestructureerde context, trefwoordhints en meerdere taalaanwijzingen, wat dezelfde vorm van biasen is die SOV-Transcribe-1 biedt via instructies. De gedocumenteerde prijs is $0,0045 per audiominuut, wat neerkomt op $0,27 per uur audio, en de praktijkvariant van dat getal is dat duizend uur opgenomen gesprekken $270 kost om te transcriberen.

Wat ontbreekt is even informatief. De modelpagina beoordeelt prestaties alleen met een kwalitatief label "Highest" en snelheid als "Medium" — geen WER, geen nauwkeurigheid per taal, geen maximale audiolengte die als harde limiet wordt genoemd, geen evaluatietabel die het met Whisper vergelijkt. Het oudere spraakmodel van OpenAI, Whisper Large v3 Turbo, heeft een modelkaart met secties over beperkingen en een paper erachter. GPT Transcribe heeft een prijs, een lijst met endpoints en twee bijvoeglijke naamwoorden. Dat is geen beschuldiging — veel productiemodellen worden geleverd zonder gepubliceerde evaluaties — maar het verandert wat een koper kan controleren voordat hij zich vastlegt, en daarom is de onafhankelijke harness hier belangrijker dan in een vergelijking waarin beide leveranciers publiceren.

Het ene getal aan de buitenkant, en hoeveel gewicht het draagt

Artificial Analysis voert GPT Transcribe uit op dezelfde samengestelde set van drie sets die het voor alles op die ranglijst gebruikt: AA-AgentTalk met een gewicht van 50%, VoxPopuli-Cleaned met 25%, Earnings22-Cleaned met 25%. GPT Transcribe scoort 3,31%. Dezelfde testopstelling plaatst SOV-Transcribe-1 op 2,28%.

Lees de componenten voordat je de kloof vertrouwt. De 2,28% van SOV-Transcribe-1 is een gemiddelde van 1,79% op de synthetische conversatieset, 1,50% op voorgelezen parlementaire toespraken en 4,06% op echte earnings calls — het verschil tussen het beste en het slechtste oppervlak is bijna drie tegen één. Als G​PT Transcribe een vergelijkbaar verschil heeft, en er is geen gepubliceerde reden om anders te denken, dan kan een verschil van één punt in de samengestelde score een verschil van twee punten zijn bij earnings calls en een afrondingsfout bij voorgelezen spraak. Niemand buiten Artificial Analysis weet het, en Artificial Analysis publiceert samengestelde scores, geen uitsplitsingen per set voor elk model.

De tweede onafhankelijke maatstaf is snelheid. Dezelfde benchmark meet G​PT Transcribe met een snelheidsfactor van 43,1 — dat wil zeggen 43,1 seconden audio verwerkt per seconde kloktijd. Ter vergelijking: dezelfde meting zet Whisper Large v3 Turbo op 339,5 en G​emini 3.5 Transcribe op 94,4. G​PT Transcribe is met ruime marge de langzaamste van de vier, en als je een archief transcibeert in plaats van een telefoongesprek, is dat het getal dat je wachtrijdiepte bepaalt.

Waar de cijfers van het open model vandaan komen, en waar ze ophouden

De 2,28% van SOV-Transcribe-1 is onafhankelijk, maar bijna al het overige is door Salesforce gerapporteerd. De modelkaart claimt een percentage volledig geslaagde runs van 76,3% op VoiceCodeBench, een besloten leaderboard, en 93,4% entiteitsherstel op dezelfde set; een gemiddelde WER van 8,21% over veertien Engelse accenten op AppTek Call-Center Dialogues; en 25,69% op HALAS, een op hallucinaties gerichte set resultaatgesprekken. Daarvan kan vandaag alleen de samengestelde score van Artificial Analysis door een derde partij worden gereproduceerd. Het technische rapport is gelinkt als 'binnenkort beschikbaar'.

De eerlijke weergave van de nauwkeurigheidsvergelijking is dus op een ongemakkelijke manier asymmetrisch: het open model heeft een betere onafhankelijke score en een grote hoeveelheid niet-geauditeerde claims van leveranciers, terwijl het gehoste model een slechtere onafhankelijke score heeft en helemaal geen claims van leveranciers. Geen van beide posities is sterk. Als je beslissing afhangt van robuustheid voor accenten of nauwkeurigheid van entiteiten, kies je tussen een slide van een leverancier en een stilte, en de enige manier om dat te beslechten is beide modellen uitvoeren op een paar honderd clips van je eigen audio.

Streaming is het verschil dat het gesprek beëindigt.

Dit is geen nuance. G​PT Transcribe opent een realtime-transcriptiesessie via WebSocket en retourneert gedeeltelijke tekst terwijl de audio binnenkomt. SOV-Transcribe-1 is expliciet niet-streaming: het neemt een volledige opname van maximaal dertig minuten 16 kHz mono-audio en retourneert een volledig transcript. Er is geen gedeeltelijke-uitvoermodus om in te schakelen en geen configuratie die er een oplevert.

Voor een live-ondertitelingsproduct, een spraakagent, een agent-assist-overlay voor een callcenter of iets waarbij het transcript moet bestaan voordat de spreker stopt met praten, is de vergelijking al beslecht voordat er over nauwkeurigheid wordt gesproken. SOV-Transcribe-1 is geen langzamere optie; het is geen optie. Omgekeerd: als de workload nachtelijke batchtranscriptie van opgenomen gesprekken is — wat in werkelijkheid het grootste deel van het spraakvolume in bedrijfsomgevingen is — dan is streaming een capaciteit waarvoor je betaalt en die je nooit gebruikt, en is het nauwkeurigheidsvoordeel van 1,03 punt gratis geld.

Een tweede structureel verschil schuilt onder dat eerste. GPT Transcribe is een beheerd endpoint: de snapshotnaam ligt vast, het antwoordformaat kan OpenAI wijzigen, en de versie die je over een jaar aanroept is dezelfde naam met welke verbeteringen dan ook die erachter zijn uitgebracht. SOV-Transcribe-1 retourneert een transcriptiestring en niets anders — geen woordtijdstempels, geen sprekerlabels — wat een echte kostprijs is, maar het betekent ook dat het uitvoerformaat is wat je downstreamcode ervan maakt, en de gewichten die je hebt gedownload veranderen nooit onder je vandaan, tenzij je ze vervangt.

De kostenvergelijking, met de berekening erbij

G​PT Transcribe wordt per audiaminuut geprijsd: $0.0045, dus $4.50 per duizend minuten, precies het bedrag dat het Artificial Analysis-board vermeldt. Er is geen tokenadministratie om te modelleren en er is geen kortingstarief gedocumenteerd.

Er is aan de Salesforce-kant geen getal per minuut om ernaast te zetten, omdat er niets per minuut te kopen valt. De kaart biedt in plaats daarvan doorvoer: met native vLLM-ondersteuning en het DFlash-draftmodel transcribeert één RTX PRO 6000 Blackwell Server Edition tot 1.039 seconden audio per seconde, en levert de transcriptie van een clip van dertig seconden in 0,22 seconden. Duizend minuten audio is 60.000 seconden, dus tegen dat tempo is het in minder dan een minuut GPU-tijd verwerkt.

Naast elkaar gezet zeggen de twee getallen iets specifieks. Bij $4,50 per duizend minuten kost G​PT Transcribe $4,50 voor wat het open model doet in ongeveer 58 seconden op één kaart. Een gehuurde RTX PRO 6000 kost een paar dollar per uur, dus de open route is goedkoper bij elk aanhoudend volume — maar alleen als de kaart bezet is. Bij drie uur audio per week staat de kaart 99% van de tijd stil en is de API het goedkopere antwoord, met een factor tien, nog voordat iemand de engineer meerekent die de vLLM-plugin onderhoudt die vastgezet is op versie 0.32.0.

Twee kanttekeningen bij het doorvoercijfer, beide afkomstig uit de modelkaart. Het is een meting van een ontwikkelbuild uit november 2026, en er is max_num_seqs=64 nodig om de opstartprofilering binnen de 96 GB van de kaart te houden zodra het draftmodel is geladen. De standaardwaarde van 1.024 gelijktijdige sequenties past niet. Je bent een server aan het dimensioneren, niet een endpoint aan het aanroepen.

De middenweg, en waar een router past

De meeste teams die hier belanden, kiezen er niet één. Ze houden de gehoste API voor alles wat interactief is en voegen het open model toe voor de achterstand in het archief, wat betekent: twee transcriptiepaden, twee uitvoerformaten en twee kostenposten — en dan, meestal, één tekstmodel stroomafwaarts dat over beide moet samenvatten, classificeren of ophalen.

Die laatste hop is degene die het waard is om te routeren. OrcaRouter zet 200+ tekst-, beeld- en videomodellen achter één enkele sleutel tegen de lijstprijzen van providers met 0% markup, zodat de summarizer of classifier die een van beide transcripten leest, kan worden vervangen, vergeleken of bij een storing kan worden overgenomen zonder een nieuw contract — en een prijsverlaging van een provider op dat tekstmodel gaat in op dezelfde dag dat die op de eigen prijskaart van de provider verschijnt. Het host geen G​PT Transcribe of SOV-Transcribe-1; geen van beide spraakmodellen is iets wat wij aanbieden, en de routering begint bij de tekst die ze produceren. Wat dat oplevert, is dat de transcriptiebeslissing niet langer gekoppeld is aan de analysebeslissing.

Wie moet welke kiezen

Kies GPT Transcribe wanneer het transcript moet bestaan terwijl de audio nog wordt afgespeeld, wanneer je geen capaciteit voor GPU-operaties hebt en er geen zin in hebt om die op te bouwen, wanneer het volume bescheiden genoeg is dat $0,27 per audio-uur een afrondingsfout is in vergelijking met engineeringtijd, of wanneer je simpelweg een leverancier nodig hebt met een supportcontract achter het endpoint. Accepteer het nauwkeurigheidsverschil van 1,03 punt als de prijs daarvoor, en bedenk dat je bij 43,1x realtime niet moet plannen om een groot archief erdoorheen te backfillen.

Kies SOV-Transcribe-1 wanneer de audio overwegend Engelstalig is, minder dan dertig minuten per bestand duurt en je deze achteraf nodig hebt in plaats van tijdens; wanneer de opnames je infrastructuur niet mogen verlaten; wanneer de woordenschat vooraf bekend is en als hintlijst kan worden aangeleverd, waarbij Salesforce meldt dat de keyword-F1 op Contextual Earnings-22 stijgt van 71,9 naar 96,8; en wanneer je al GPU's voor iets anders draait, zodat de marginale kosten van de kaart bijna nul zijn.

Wat je niet moet doen, is vallen over de 3,31% versus 2,28%. Die twee getallen komen uit één harness, met één samengestelde weging, waarbij voor geen van beide modellen een uitsplitsing per set is gepubliceerd. Ze volstaan om te zeggen dat het open model waarschijnlijk nauwkeuriger is voor Engelse conversationele spraak en voorgelezen spraak. Ze volstaan niet om te zeggen hoeveel nauwkeuriger op jouw audio, en de mogelijkheden die G​PT Transcribe heeft en SOV-Transcribe-1 niet — streaming, een beheerd endpoint, trefwoord- en taalaanwijzingen zonder een serving-stack, en een leverancierscontract achter de uptime — worden helemaal niet door WER gemeten.