SOV-Transcribe-1 vs Nemotron 3.5 Transcribe: vijftien dagen uit elkaar, en slechts één ervan is een product

Open-weight spraakherkenning wisselde in twee weken twee keer van eigenaar. NVIDIA publiceerde Nemotron 3.5 Transcribe op 28 oktober 2026; Salesforce publiceerde SOV-Transcribe-1 op 12 november. In de samengestelde score van Artificial Analysis wint het nieuwere model: SOV-Transcribe-1 met 2,28% AA-WER tegen Nemotron 3.5 Transcribe met 2,81%. Dat is de hele verkooppitch, en die is dunner dan hij lijkt. NVIDIA leverde sprekerdiarisatie, tijdstempels per woord, veertig talen, opnames van een uur, drie kwantisatieformaten, een gepubliceerd technisch rapport en een serving-stack met een cookbook. Salesforce leverde het beste cijfer op het bord en een modelkaart die zegt dat het technische rapport eraan komt. Als je een model kiest om in een product te stoppen in plaats van op een leaderboard, is het nauwkeurigheidsverschil niet de dimensie die ertoe doet.

Twee architecturen, twee totaal verschillende inzetten

Nemotron 3.5 Transcribe is een hybride Mamba-2- en Transformer-mixture-of-experts-taalmodel — Nemotron 3.5 Lightning 30B A3B — met een parallelle expert-encoder: een Transformer-ASR-encoder van ongeveer 600M parameters en een aparte speakerencoder van 99M parameters, plus een CTC-head voor tijdstempeluitlijning. In totaal 34 miljard parameters, waarvan 4,3B actief, inclusief de audio-encoder.

SOV-Transcribe-1 werkt net de andere kant op. Het neemt een kant-en-klare Whisper large-v3-encoder, monteert er een projector op en geeft het resultaat aan een Gemma 4 26B A4B-decoder — 26,6B totaal, 4,6B actief. Waar NVIDIA een spraakfront-end bouwde en er zijn eigen taalmodel aan hing, hing Salesforce een algemeen bruikbaar taalmodel aan een spraakfront-end die iedereen al heeft. Daarom is het SOV-checkpoint 53 GB in BF16 en heeft de Nemotron BF16-release een 80 GB H100 nodig: het Salesforce-model draagt minder totaalgewicht, en het draagt dat in een formaat waarvoor nog geen gekwantiseerde variant is gepubliceerd.

• Totaal aantal parameters — SOV-Transcribe-1 26,6B versus Nemotron 3.5 Transcribe 34B, waarbij de audio-encoder in beide gevallen is meegerekend.

• Actieve parameters — 4,6B versus 4,3B. Feitelijk een gelijkspel, en dat is het interessante: Salesforce behaalt een lager foutpercentage met een marginaal grotere actieve set en een aanzienlijk kleinere totale set.

• Audiolimiet — 30 minuten versus 1 uur, met een context van 65.536 tokens aan de NVIDIA-zijde.

• Talen — 7 Europese versus 40, met ondersteuning voor code-switching in de hele Nemotron-matrix.

• Precisie — alleen BF16 (FP32-router) versus BF16-, FP8- en NVFP4-checkpoints, waarvan de laatste op een RTX 5090 draait.

• Licentie — Apache 2.0 versus OpenMDW-1.1. Apache is met afstand de meest permissieve van de twee, en voor sommige juridische teams is dat alleen al doorslaggevend.

Eén benchmark die beide leveranciers uitvoerden, met cijfers die niet overeenkomen

Dit is de nuttigste vergelijking in het artikel, want dit is de enige plek waar de twee modelkaarten naast elkaar kunnen worden gelegd op dezelfde test. VoiceCodeBench meet de transcriptie van gestructureerde waarden — e-mailadressen, bestandspaden, identifiers, rekeningnummers — en rapporteert twee metrieken: canonieke token- en entiteitsmatch, oftewel hoeveel van de doelinhoud is teruggevonden, en taaksuccespercentage, oftewel het aandeel opnames waarin elke doelwaarde correct is weergegeven.

De kaart van NVIDIA publiceert beide: 88,53% CTEM en 59,33% TSR, plus een worduitvalpercentage van 8,38% op de set. De kaart van Salesforce publiceert twee cijfers voor dezelfde benchmark: 76,3% die elke doelentiteit haalt en 93,4% van de entiteiten hersteld, beschreven als eerste onder open-weight systemen en tweede van 23 overall. Die komen respectievelijk overeen met TSR en CTEM, en die mapping klopt niet. Salesforce claimt 76,3% volledige pass waar NVIDIA 59,33% op dezelfde metriek rapporteert, en claimt 93,4% entiteitsherstel waar NVIDIA 88,53% rapporteert.

Er zijn onschuldige verklaringen. VoiceCodeBench is een besloten leaderboard dat door een derde partij wordt beheerd, scores worden in de loop der tijd geversioneerd en de twee leveranciers hebben mogelijk verschillende snapshots ingediend. Er is ook een minder onschuldige verklaring: een van de twee getallen wordt met meer zekerheid beschreven dan de eigen rapportage van de benchmark ondersteunt. Wat een lezer kan concluderen is beperkt en het loont om het ronduit te zeggen: op de ene benchmark voor gestructureerde waarden waaraan beide modellen zijn gemeten, lijkt het Salesforce-model aanzienlijk beter in het correct krijgen van elke waarde, en over de grootte van dat voordeel lopen de meningen vijf tot zeventien punten uiteen, afhankelijk van wiens kaart je leest.

Wat NVIDIA heeft uitgebracht en Salesforce niet

De kloof hier is niet incrementeel. Dit zijn capaciteiten, geen scores, en elk ervan neemt een stuk downstreamwerk weg dat je anders zou moeten bouwen.

• Transcriptie met sprekerattributie — een volledige evaluatie met meerdere sprekers over AMI, CALLHOME, Mixer 6 en NOTSOFAR-1, met een gemiddelde cpWER van 15,80 en resultaten per conditie tot op het niveau van afzonderlijke gevallen met externe microfoons. SOV-Transcribe-1 documenteert helemaal geen diarisatie.

• Woordtijdstempels — een CTC-alignmenthead die woordtekst met begin- en eindtijden retourneert, een diarisatiesegmentkaart en een veld voor alignmentfouten. De Salesforce-kaart retourneert een transcriptietekenreeks.

• Spraakvertaling, taalidentificatie en het beantwoorden van audiovragen — afzonderlijke taken met hun eigen benchmarks, waaronder 100% FLEURS-taalidentificatie in verschillende talen. SOV-Transcribe-1 transcribeert in zeven talen, en daar blijft het bij.

• Een technisch rapport — gepubliceerd als pdf, met de samenstelling van de trainingsdata tot in detail gespecificeerd, tot en met van wie welke corpora in licentie zijn genomen. Salesforce linkt naar zijn rapport als "binnenkort beschikbaar".

• Een kwantisatieladder en een serving-kookboek — NVFP4 op consumenten-Blackwell, een SGLang-Omni-pad, GGML op native Windows. De Salesforce-integratie is een vLLM-plugin vastgezet op 0.32.0, waarbij upstream-ondersteuning wordt omschreven als werk in uitvoering.

Het eerlijke voorbehoud bij die lijst is dat breedte en diepte ten koste van elkaar gaan. Een model dat is getraind op 40 talen en zeven taakfamilies, spreidt zijn capaciteit; een model dat is getraind op zeven Europese talen en alleen transcriptie, kan die volledig daaraan besteden. Het samengestelde verschil van 0,53 punt is precies hoe die afweging eruitziet wanneer ze vruchten afwerpt.

De portieaantallen, lees ze zorgvuldig.

Beide leveranciers benchmarken op dezelfde kaart, waardoor deze vergelijking ongewoon zuiver is — en ongewoon gemakkelijk om fout te doen.

• Salesforce, SOV-Transcribe-1 — tot 1.039 seconden audio per seconde op één RTX PRO 6000 Blackwell Server Edition, met het DFlash-conceptmodel ingeschakeld, op een vLLM-ontwikkelbuild, bij max_num_seqs=64.

• NVIDIA, Nemotron 3.5 Transcribe — tot 2.238 seconden audio per seconde op dezelfde kaart in NVFP4 met DFlash2-speculatieve decoding, waarbij de transcriptie van een clip van 30 seconden in 0,13 seconden wordt teruggegeven.

Het NVIDIA-cijfer is meer dan het dubbele, en NVIDIA legt in zijn eigen kaart uit waarom: die optimalisaties zitten in de Nemotron Transcribe NIM en niet in de open-sourceversie, die volgens de kaart ongeveer twee keer zo traag is en bedoeld is voor modelontwikkeling. De gelijkwaardige vergelijking — open vLLM tegen open vLLM, op één kaart — is dus ongeveer 1.119 tegen 1.039 audioseconden per seconde. NVIDIA ligt nog steeds voor, met ongeveer acht procent, en het ligt voor terwijl het ook het model is met sprekerlabels en tijdstempels in de uitvoerstroom.

Wat dat voor een koper betekent, is dat geen van beide modellen wordt gekocht op basis van doorvoer. Beide verzadigen een moderne kaart; beide hebben een eigen kaart nodig. De beslissing is welke output je nodig hebt en welke download je kunt draaien, en op de tweede vraag wint Nemotron zonder meer, omdat een NVFP4-checkpoint draait op hardware die een fractie kost van een serveronderdeel van 96 GB, terwijl het Salesforce-model geen gequantiseerde release heeft om te draaien.

Waar SOV-Transcribe-1 echt de betere keuze is

Drie gevallen, en het eerste is het voor de hand liggende. Als Engels de taal is en entiteitsnauwkeurigheid het product, is 2,28% tegenover 2,81% op de samengestelde score een echt verschil, en het zwakste onderdeel van het Salesforce-model — 4,06% op Earnings22-Cleaned — is nog steeds beter dan wat de samengestelde score voor de concurrentie impliceert. Op Contextual Earnings-22 meldt SOV-Transcribe-1 dat de keyword-F1 stijgt van 71,9 naar 96,8 met de eigen hints van de clip en op 94,0 blijft wanneer de volledige trefwoordenlijst van het uur als afleiders wordt gegeven. NVIDIA rapporteert zijn eigen Contextual Earnings22-cijfers in woordfoutpercentage in plaats van F1, van 12,54% zonder context naar 9,58% lokaal, dus de twee zijn niet direct vergelijkbaar — maar de vorm van het resultaat, dat hintlijsten helpen en hintlijsten met veel afleiders nog steeds helpen, is op beide hetzelfde.

Het tweede geval is licentiëring. Apache 2.0 tegenover OpenMDW-1.1 is geen formaliteit voor een bedrijf waarvan de juridische beoordeling meningen heeft over afgeleide werken. Als u van plan bent om te fine-tunen en opnieuw te verspreiden, of om het model op te nemen in een product dat u op de markt brengt, is het Apache-traject korter.

Het derde is eenvoud van scope. Een model dat één ding doet, levert één ding op, en een pipeline die een transcriptiestring verwacht, is makkelijker te doorgronden dan een die een gestructureerd object ontvangt met sprekerlabels, tijdstempels en een veld voor uitlijningsfouten dat het mogelijk niet nodig heeft. Teams die hun diarisatie zelf willen beheren — omdat ze al een speaker-embeddingmodel draaien dat ze vertrouwen — krijgen een schonere invoer van het beperktere model.

Kiezen tussen beide zonder ranglijst

Als de audio een vergadering is, een gesprek met meer dan één stem, of iets waarbij "wie het zei" deel uitmaakt van de op te leveren resultaten, is het antwoord Nemotron 3.5 Transcribe en is de nauwkeurigheidsvraag niet meer relevant — SOV-Transcribe-1 kan dat veld niet produceren. Als de audio niet-Engels is, geldt hetzelfde, in nog sterkere mate. Als de opnames langer dan dertig minuten duren of moeten draaien op hardware die kleiner is dan een datacenterkaart, dan weer NVIDIA.

Als de audio Engels is, van één spreker of upstream al gediariseerd, korter dan een half uur, en het eindproduct tekst is met de juiste eigennamen erin, dan is SOV-Transcribe-1 de nauwkeurigere transcriber die vandaag beschikbaar is, en de Apache-licentie scheelt een onderhandeling. Dat is een smallere reeks workloads dan de introductiecommunicatie suggereerde, en het is er wel degelijk een.

Gemengde pijplijnen zijn ook hier de normale uitkomst, en ze roepen een praktische vraag op die geen van beide modelkaarten beantwoordt: wat leest het transcript daarna. OrcaRouter zet 200+ tekst-, beeld- en videomodellen achter één sleutel tegen de lijstprijs van de provider met 0% opslag, zodat de summariser of extractor stroomafwaarts kan worden gewisseld of overgenomen zonder een tweede contract — handig wanneer de bron van het transcript nog moet worden bepaald. Geen van deze spraakmodellen wordt er via aangeboden, en dat beweren we ook niet; de routering begint waar de tekst begint.

Wat er in de twee weken tussen deze twee releases is veranderd, is niet welk model bovenaan de open-weight-tabel staat. Het is dat de tabel geen duidelijk antwoord meer heeft, en dat het antwoord nu ervan afhangt of je een transcriber of een transcriptpijplijn koopt. NVIDIA verkoopt het tweede. Salesforce publiceerde het eerste, en deed dat buitengewoon goed.