SOV-Transcribe-1 vs Whisper Large v3 Turbo: wat twee jaar en 2,3 punt WER waard zijn

Whisper Large v3 Turbo is in geen enkel commercieel opzicht een concurrent van SOV-Transcribe-1. Het is de gevestigde partij — een checkpoint met 809M parameters, MIT-gelicenseerd, gepubliceerd in oktober 2024, dat stilletjes ten grondslag ligt aan een groot deel van alle transcriptieproducten die sindsdien zijn uitgebracht, en dat nog steeds op gehoste endpoints verschijnt voor $0,67 per duizend minuten. SOV-Transcribe-1 is de uitdager, gepubliceerd door Salesforce op 12 november 2026, met een score van 2,28% tegenover 4,62% voor Whisper Large v3 Turbo op de samengestelde score van Artificial Analysis. De vraag is dus niet welk model beter is. Het gaat erom of het halveren van het foutpercentage een download van 53 GB, een GPU van 96 GB en een serving-stack waard is, terwijl het alternatief in het geheugen van een laptop past en een paar cent per uur audio kost.

Wat twee jaar vooruitgang werkelijk heeft opgeleverd

Whisper Large v3 Turbo is a pruned Whisper large-v3 with the decoder cut from 32 layers to 4. O​penAI's own model card is disarmingly direct about it: "the exact same model, except that the number of decoding layers have reduced from 32 to 4. As a result, the model is way faster, at the expense of a minor quality degradation." That sentence describes a compression decision, not an architecture.

SOV-Transcribe-1 is het andere soort verandering. Salesforce behield een Whisper large-v3-encoder — dezelfde front-end — en verving de vierlaagse decoder door een Gemma 4 26B A4B mixture-of-experts-taalmodel achter een projector. De audioperseptie is overgenomen van Whisper. Het onderdeel dat audio omzet in woorden is een algemeen taalmodel dat dertig keer zo groot is als het volledige Whisper turbo-checkpoint.

• Parameters — Whisper Large v3 Turbo 809M versus SOV-Transcribe-1 26,6B totaal, 4,6B actief.

• Decoder — 4 Transformer-lagen versus een 26B mixture-of-experts met 4,6B actief per token.

• Checkpointgrootte — minder dan 2 GB versus ongeveer 53 GB in BF16.

• Talen — ruwweg honderd tegenover zeven. Dit gaat precies de andere kant op, en stevig ook.

• Tijdstempels — uitvoer op zins- en woordniveau ingebouwd in de decoderingslus versus geen gedocumenteerde ondersteuning.

• Licentie — MIT versus Apache 2.0. Beide permissief; MIT is iets eenvoudiger.

• Hardware — CPU of een kleine GPU versus een kaart uit de RTX PRO 6000-klasse met 96 GB voor de configuratie met draft ingeschakeld.

Die laatste zin is het hele argument in het klein. Het ene model draait overal; het andere draait op een serveronderdeel dat meer kost dan de volledige jaarlijkse cloudfactuur van de meeste transcriptieprojecten.

De foutenrekenkunde die niemand doet

Woordfoutpercentage is een abstractie tot je het omzet in correcties. Neem een corpus van duizend minuten Engelse spraak bij een gesprekstempo van 150 woorden per minuut — 150.000 woorden. Bij 4,62% levert Whisper Large v3 Turbo ongeveer 6.900 onjuiste, ontbrekende of ingevoegde woorden op. Bij 2,28% levert SOV-Transcribe-1 ongeveer 3.400 op. Het verschil is ongeveer 3.500 woorden die een mens niet hoeft te vinden en te corrigeren.

Bereken nu de prijs van het corrigeren. Een zorgvuldige redacteur vergelijkt het transcript met de audio met misschien 200 tot 400 woorden per minuut, dus 3.500 minder fouten betekent ergens tussen negen en achttien minuten menselijke controle bespaard per duizend minuten audio. Bij een all-in uurtarief van $30 is dat $4,50 tot $9,00 — tegenover transcriptiekosten aan de kant van de gehoste Whisper van $0,67.

Die vergelijking is de reden dat de meeste teams nooit migreren. De menselijke kosten van fouten domineren de machinale kosten van transcriptie met een orde van grootte, dus een model dat fouten halveert zou tien keer de prijs waard moeten zijn en concurreert in de praktijk met een prijs die al verwaarloosbaar is. De uitzondering is elke pijplijn waarin niemand de output überhaupt controleert — geautomatiseerde indexering, zoeken, analytics, samenvattingen die als invoer dienen — want daar worden de fouten niet verholpen, ze planten zich voort in alles wat het transcript vervolgens leest, en de kosten van de tweede orde zijn degene die pijn doen.

De index waarop beide scores zijn gebaseerd, is zelf een mix — de helft synthetische agentgesprekken, een kwart voorgelezen parlementaire toespraken, een kwart echte earnings calls — en de twee modellen presteren heel verschillend op elk van de drie categorieën. De componenten van Whisper Large v3 Turbo zijn respectievelijk 3,52%, 3,97% en 7,49%; die van SOV-Transcribe-1 zijn 1,79%, 1,50% en 4,06%. Het verschil is het grootst bij voorgelezen parlementaire toespraken — 1,50% tegenover 3,97%, een factor 2,6 — en het kleinst bij earnings calls, waar beide modellen worstelen en het verschil 4,06% tegenover 7,49% is. Als je audio schone voorgelezen spraak is, is de upgrade dramatisch. Is het rommelige financiële audio met meerdere sprekers, dan zijn beide modellen slecht en is het nieuwere model slechts minder slecht.

Waarom Whisper nog steeds de factuur wint

Begin met de gehoste vergelijking, want dat is degene waar de meeste teams daadwerkelijk mee te maken krijgen. Whisper Large v3 Turbo is beschikbaar voor $0,67 per duizend minuten bij ten minste één hostingprovider op het Artificial Analysis-board, met een gemeten snelheidsfactor van 339,5 — dat is 339,5 seconden audio per seconde kloktijd. SOV-Transcribe-1 heeft helemaal geen gehoste prijs per minuut. Salesforce publiceerde gewichten, geen endpoint, en niets op het board bevat een cijfer per 1.000 minuten daarvoor.

Zo wordt de vergelijking dollars tegenover GPU-uren, en de modelkaart geeft daarvoor ongewoon complete cijfers. Met native vLLM-ondersteuning en het DFlash-draftmodel transcribeert één RTX PRO 6000 Blackwell Server Edition tot 1.039 seconden audio per seconde. Laat je die kaart een uur lang op volle capaciteit draaien, dan verwerkt ze 3,74 miljoen seconden audio — 62.340 minuten. Bij een huurprijs van een paar dollar per uur komt dat neer op ongeveer drie cent per duizend minuten audio, twintig keer goedkoper dan het goedkoopste gehoste Whisper-endpoint in het overzicht.

Dat getal is echt en het is ook het meest misleidende getal in dit artikel, omdat het ervan uitgaat dat de kaart nooit inactief is. Spraaktranscriptie is schoksgewijs: 's nachts komt er een achterstand binnen, die wordt weggewerkt, en daarna staat de GPU twintig uur op nul procent benutting. Bij 1.039 audioseconden per seconde verwerkt één kaart duizend uur audio in minder dan een uur. Bijna niemand heeft duizend uur audio per dag. De eerlijke conclusie is dat het zelf hosten van een van beide modellen een economische beslissing is over benutting, niet over grootte — en dat zodra je eenmaal hebt besloten om überhaupt een kaart te draaien, de marginale kosten van het betere model bijna nul zijn.

Drie dingen die Whisper doet en die het nieuwe model niet kan

Taalondersteuning is het eerste punt, en het verschil is allesbehalve klein. De modelkaart van Whisper Large v3 Turbo vermeldt bijna honderd talen, van Engels en Mandarijn tot Welsh, Maltees, Hawaïaans, Laotiaans en Soendanees. SOV-Transcribe-1 dekt Engels, Frans, Duits, Spaans, Italiaans, Portugees en Nederlands. Voor elk team waarvan de audio niet-Europees is, heeft deze vergelijking geen tweede akte — Whisper is niet de budgetoptie, het is van de twee de enige optie.

Tijdstempels zijn het tweede. De decoderingslus van Whisper voorspelt ze native, en de Transformers-pijplijn stelt ze op zins- of woordniveau beschikbaar via één argument; zo zijn al twee jaar ondertitels, hoofdstukmarkeringen en compliancezoekopdrachten op Whisper gebouwd. De kaart van SOV-Transcribe-1 documenteert transcriptie, stijlbeheersing en contextbiasing, en niets over tijdstempels. Ze downstream herstellen betekent een forced aligner over de uitvoer laten lopen, wat weer een ander model, een andere afhankelijkheid en een andere foutbron is.

Spraakvertaling is de derde. Whisper kan audio in elk van zijn brontalen aannemen en direct Engelse tekst produceren, als een decoderingstaak in plaats van een tweede pijplijnfase. SOV-Transcribe-1 transcribeert in de gesproken taal. Als je ondertitels nodig hebt voor een Japanse documentaire, doet Whisper dat in één aanroep en het Salesforce-model kan het helemaal niet.

Whisper's documented weaknesses deserve equal billing, since they are the strongest argument for moving. O​penAI's own card warns that the model hallucinates — producing text that was not spoken — because it was trained on weakly supervised, noisy data, and that this is worse in low-resource languages. It also notes that the sequence-to-sequence architecture is prone to repetition, only partly mitigated by beam search and temperature fallback. Those are exactly the failure modes that make an unreviewed pipeline dangerous, and they are what two years of architecture work was aimed at.

Hoe een echte migratie eruitziet

Bijna niemand vervangt Whisper door SOV-Transcribe-1. Ze routeren tussen beide, en de routeringsregel schrijft zichzelf vanuit de specs: als de audio Engels is of een van de zes andere gedekte talen, één spreker betreft, korter is dan dertig minuten en veel entiteiten bevat, stuur je hem naar het open model met een lijst met hints; anders laat je hem op Whisper. Salesforce' Contextual Earnings-22-resultaat — keyword-F1 stijgt van 71.9 zonder hints naar 96.8 met de eigen keywords van de clip, en blijft op 94.0 staan wanneer de complete keywordlijst van het hele uur als afleiding wordt meegegeven — is precies de capaciteit die de opsplitsing de moeite waard maakt, want het is het ene ding dat Whisper's prefix-prompt-biasing lang niet zo goed doet.

De kosten van die opsplitsing zijn dubbele infrastructuur en twee uitvoerformaten: SOV-Transcribe-1 retourneert een transcriptietekenreeks, Whisper retourneert tekst plus tijdstempelblokken, en alles stroomafwaarts moet beide accepteren. In de praktijk normaliseren de meeste teams aan de grens naar hun eigen transcriptschema en maken ze zich er daarna niet meer druk om welk model het heeft geproduceerd.

Wat er na het transcript gebeurt, is het deel dat meeschaalt met het volume, en daar hoort een router thuis in plaats van een tweede spraakleverancier: OrcaRouter zet 200+ tekst-, beeld- en videomodellen achter één sleutel tegen de lijstprijzen van de provider met 0% opslag, zodat de samenvatter, indexeerder of classificator die een van beide transcripts verwerkt, kan worden vervangen of overgeschakeld zonder een nieuw contract — en een prijsverlaging van een leverancier voor dat model is hier dezelfde dag live. Noch Whisper Large v3 Turbo noch SOV-Transcribe-1 wordt er via geleverd; beide zijn gewichten die je zelf draait, en de routing begint met de tekst die ze opleveren.

Wat zou deze vergelijking achterhaald maken?

Twee dingen, en beide zijn plausibel binnen een releasecyclus. Het eerste is een gekwantiseerd SOV-checkpoint. Het praktische voordeel van Whisper Large v3 Turbo is dat het overal past; een 4-bit-build van een model van 26,6B zou nog steeds een serieuze GPU vragen, maar een FP8- of NVFP4-release — het soort dat NVIDIA op dag één leverde voor Nemotron 3.5 Transcribe — zou het Salesforce-model verplaatsen van "onderdeel voor datacenters" naar "onderdeel voor workstations" en een groot deel van het bezwaar tegen implementatie wegnemen. Salesforce heeft al een MLX 4-bit-build gepubliceerd, wat de richting suggereert.

Het tweede zijn tijdstempels en diarisatie die in een puntrelease komen. Beide ontbreken opvallend, beide zijn basisvereisten voor vergader- en mediaproducten, en beide zijn precies het soort dingen dat een v0.2-modelkaart toevoegt. Als ze er komen, is de enige overgebleven reden om Whisper te draaien de honderd talen — en voor een groot deel van de teams is dat nu de enige reden waarom ze het draaien.

Tot die tijd is de splitsing stabiel en gemakkelijk te rechtvaardigen: Whisper Large v3 Turbo blijft de correcte standaard voor alles wat meertalig, van tijdstempels voorzien, long-tail of CPU-bound is, en SOV-Transcribe-1 is de specialist waar je naar grijpt wanneer de audio Engels is, de woordenschat bekend is en niemand de uitvoer leest voordat een machine dat doet.