SOV-Transcribe-1 vs Gemini 3.5 Transcribe: Trzy dziesiąte punktu i cała reszta

W rankingu mowy Artificial Analysis dwa modele dzieli 0,32 punktu procentowego — SOV-Transcribe-1 ma 2,28% AA-WER, a Gemini 3.5 Transcribe 2,60% — i jest to najmniejsza różnica w całym tym porównaniu. Wszystkie pozostałe różnice są większe. Gemini 3.5 Transcribe obsługuje ponad 85 języków w porównaniu z siedmioma, rozpoznaje do ośmiu mówców tam, gdzie model Salesforce nie rozpoznaje żadnego, generuje znaczniki czasu na poziomie słów i ma osobny punkt końcowy na żywo do strumieniowania. SOV-Transcribe-1 ma otwarte wagi na licencji Apache 2.0, działa na GPU, który posiadasz, i przyjmuje listę słów kluczowych, która w wymierny sposób poprawia nazwy i tickery. Wybór między nimi nie jest kwestią dokładności. To kwestia tego, czy kupujesz transkrypcję, czy kupujesz potok przetwarzania.

Czym jest każdy z nich

SOV-Transcribe-1 to pierwszy model językowy Salesforce o otwartych wagach z rozszerzeniem mowy, opublikowany 12 listopada 2026 r. jako salesforce-sovereign-intelligence/SOV-Transcribe-1: enkoder Whisper large-v3 zasilający dekoder typu mixture-of-experts Gemma 4 26B A4B, łącznie 26,6 mld parametrów i 4,6 mld aktywnych, w checkpointcie BF16 o rozmiarze 53 GB. Nie działa w trybie strumieniowym, obsługuje do 30 minut dźwięku o częstotliwości 16 kHz na żądanie i jest sterowany instrukcjami w wiadomości użytkownika, a nie parametrami.

Gemini 3.5 Transcribe to hostowany przez Google model zamiany mowy na tekst, ostatnio zaktualizowany w sierpniu 2026 r. i dostępny przez Gemini API jako gemini-3.5-transcribe, wraz z bliźniaczym modelem strumieniowym WebSocket o nazwie gemini-3.5-transcribe-live. Przyjmuje audio o długości do godziny na żądanie — trzydziestu minut, gdy włączona jest diaryzacja lub znaczniki czasu — i zwraca tekst oraz adnotacje na poziomie słów. Nie ma żadnych wag do pobrania ani serwera, który trzeba by skalować.

Luka dokładności — rozkład

AA-WER v2 to ważony wskaźnik złożony: AA-AgentTalk w 50%, VoxPopuli-Cleaned w 25%, Earnings22-Cleaned w 25%. Podział wyników obu modeli według tych komponentów dostarcza więcej informacji niż sam nagłówek, ponieważ przewaga modelu Salesforce nie rozkłada się równomiernie.

• AA-AgentTalk — SOV-Transcribe-1 przy 1,79%. To syntetyczny zbiór konwersacyjny o połowie wagi i to w nim model Salesforce wypada najsilniej na tle wszystkiego innego na tablicy.

• VoxPopuli-Cleaned — SOV-Transcribe-1 na poziomie 1,50%. Zawiera mowę parlamentarną, a języki europejskie w jego mieszance treningowej to dokładnie te, z których czerpie ten zbiór.

• Earnings22-Cleaned — SOV-Transcribe-1 z wynikiem 4,06%. Prawdziwe telekonferencje wynikowe: nazwy, tickery, liczby, nakładające się wypowiedzi. Najsłabszy obszar modelu i jednocześnie najbliższy korporacyjnemu audio.

Google nie publikuje rozbicia na komponenty dla Gemini 3.5 Transcribe na tych samych trzech zestawach, więc uczciwym stwierdzeniem jest, że wynik zbiorczy daje Salesforce przewagę 0,32 punktu, a obraz wyników Google dla poszczególnych zestawów danych nie jest publicznie widoczny. Każdy, kto twierdzi, że ma bezdyskusyjne zwycięstwo np. w audio z centrów obsługi, ekstrapoluje z wyniku zbiorczego ważonego w połowie w stronę rozmów syntetycznych.

Gdzie hostowany model jest po prostu lepszy

Cztery funkcje po stronie Google nie mają odpowiednika w wydaniu Salesforce, a każda z nich decyduje o kategorii produktu.

• Języki — ponad 85, z automatycznym wykrywaniem i przełączaniem kodu w trakcie sesji, w porównaniu z siedmioma językami europejskimi. Jeśli Twoje nagranie zawiera mandaryński, hindi, arabski lub japoński, SOV-Transcribe-1 nie jest kandydatem, a porównanie dokładności jest bezprzedmiotowe.

• Struktura mówców — diaryzacja dla maksymalnie ośmiu mówców, przy czym przypisywanie wypowiedzi powyżej trzech mówców oznaczono jako eksperymentalne. SOV-Transcribe-1 nie dokumentuje żadnej diaryzacji; transkrypcja rozmowy dwóch osób wraca jako jeden niezróżnicowany blok tekstu.

• Znaczniki czasu — wynik na poziomie pojedynczych słów w punkcie końcowym przetwarzania wsadowego. Model Salesforce zwraca ciąg transkrypcji, więc generowanie napisów lub wyszukiwanie zgodności na podstawie znaczników czasu trzeba zbudować w dalszym etapie przetwarzania.

• Streaming — dedykowany punkt końcowy na żywo z dziesięciominutowymi sesjami i dwukierunkowym transportem WebSocket. SOV-Transcribe-1 wyraźnie nie obsługuje streamingu; nie ma trybu częściowej transkrypcji, który można włączyć.

Jest jeszcze piąta różnica, która nie jest cechą, lecz ograniczeniem. Własna dokumentacja Google’a wskazuje, że znaczniki czasu na poziomie słów pogarszają dokładność transkrypcji i są niezgodne z niestandardowym słownictwem, a diaryzacja również jest niezgodna z biasowaniem słownictwa. Model hostowany zmusza do wyboru, którą funkcję chcesz mieć w przypadku każdego żądania. Model Salesforce zmusza do jednorazowego wyboru na poziomie „nigdy żadnej diaryzacji”.

Gdzie otwarty model ma przewagę — poza samym wynikiem

Oczywistą odpowiedzią jest rezydencja danych i jest to właściwy wybór dla dużej części nabywców: wagi Apache 2.0 na sprzęcie, który kontrolujesz, oznaczają, że audio nigdy nie opuszcza budynku. W przypadku nagrań z centrów obsługi telefonicznej w usługach finansowych lub ochronie zdrowia często jest to twardy wymóg, a nie preferencja, i żadne hostowane API tego nie spełnia, niezależnie od WER.

Mniej oczywistą odpowiedzią jest biasowanie. W Contextual Earnings-22 SOV-Transcribe-1 podnosi F1 słów kluczowych z 71,9 bez podpowiedzi do 96,8, gdy otrzyma własne słowa kluczowe klipu, i utrzymuje 94,0, gdy przekazano mu listę słów kluczowych z całej godziny, przy czym większość pozycji stanowią dystraktory. Gemini również oferuje biasowanie niestandardowego słownictwa, do 1000 terminów, z najlepszymi wynikami raportowanymi przy około 100 — ale nie można go łączyć z diaryzacją ani znacznikami czasu, których możesz również chcieć. Jeśli produktem ma być dokładność encji, oba modele potrafią to zapewnić; tylko jeden z nich potrafi to zapewnić, jednocześnie emitując etykiety mówców.

Trzecia jest kontrola stylu. SOV-Transcribe-1 został wytrenowany do przyjmowania instrukcji — zapis dosłowny kontra oczyszczony, cyfry kontra słowa, wypełniacze zachowane lub pominięte — a Salesforce podaje 5,05% WER uwzględniającego preferencje przy podanej instrukcji. Odpowiednikiem Google jest „Smart transcription”, który obejmuje usuwanie wypełniaczy i formatowanie uwzględniające intencję, ale jest trybem, a nie interfejsem do wydawania instrukcji.

Porównanie kosztów, które naprawdę ma znaczenie

Google publikuje Gemini 3.5 Transcribe w cenie 2,00 USD za milion tokenów wejściowych audio i 12,00 USD za milion tokenów wyjściowych, co strona z cennikiem przelicza na około 0,003 USD za minutę na wejściu i 0,002 USD za minutę na wyjściu, czyli około 0,005 USD za minutę łącznie. Zestawienie Artificial Analysis podaje ten sam model w cenie 5,00 USD za 1000 minut. Tak czy inaczej, tysiąc minut audio kosztuje około pięciu dolarów.

SOV-Transcribe-1 nie ma ceny za minutę, ponieważ Salesforce nie sprzedaje żadnego endpointu. Porównywalnym wskaźnikiem jest przepustowość: dzięki natywnemu wsparciu vLLM i modelowi szkicowemu DFlash jedna karta RTX PRO 6000 Blackwell Server Edition transkrybuje do 1039 sekund audio na sekundę. W tym tempie jedna karta przerabia tysiąc minut w około minutę czasu zegarowego, więc próg opłacalności względem API kosztującego 5 USD za 1000 minut zostaje osiągnięty przy każdym poważnym wolumenie — a nie zostaje osiągnięty w ogóle, jeśli transkrybujesz trzy godziny tygodniowo i musiałbyś w tym celu wynajmować kartę na godziny.

Z tą arytmetyką wiążą się dwa zastrzeżenia. Liczba 1,039 to pomiar z kompilacji rozwojowej vLLM z listopada 2026 r. przy max_num_seqs=64, które jest również ustawieniem wymaganym, aby po załadowaniu modelu roboczego utrzymać profilowanie startowe w granicach 96 GB. A integracja to plugin przypięty do vLLM 0.32.0, przy czym natywne wsparcie w upstreamie opisano jako prace w toku. Nie kupujesz po prostu GPU; utrzymujesz stos serwowania.

Reguły decyzyjne

Sięgaj po Gemini 3.5 Transcribe, gdy spełniony jest którykolwiek z tych warunków: dźwięk nie jest w jednym z siedmiu języków europejskich, potrzebujesz etykiet mówców lub znaczników czasu jako pełnoprawnego wyniku, potrzebujesz częściowych transkrypcji, gdy dźwięk wciąż napływa, albo wolumen jest tak niski, że GPU nigdy się nie zwraca. Deficyt dokładności wynoszący 0,32 punktu to realny koszt, ale jest to koszt mierzony na wskaźniku złożonym w połowie ważonym pod kątem syntetycznych rozmów, a kupuje cztery możliwości, które w przeciwnym razie trzeba by samemu zbudować.

Sięgaj po SOV-Transcribe-1, gdy nagranie jest w przeważającej mierze angielskie i obfituje w nazwy własne, gdy słownictwo jest znane z góry, gdy nagrania trwają krócej niż trzydzieści minut oraz gdy „dźwięk pozostaje na naszym sprzęcie” to zapis w umowie, a nie preferencja. Wsadowa, nocna transkrypcja nagranych rozmów sprzedażowych to obciążenie, dla którego ten model wyraźnie powstał.

Mieszane środowiska to częsty wynik, a kłopotliwa część nigdy nie dotyczy transkrypcji. Chodzi o to, że transkrypcja zasila drugi model — sumaryzator, klasyfikator, agenta QA — a zmiana tego konsumenta oznacza nowego dostawcę, nowy klucz i nową fakturę. OrcaRouter usuwa ten etap: 200+ modeli tekstowych, obrazowych i wideo za jednym kluczem w cenach katalogowych dostawców z 0% marży, dzięki czemu model znajdujący się dalej w potoku niż transkrypt można podmienić lub przełączyć w razie awarii bez dotykania samego potoku transkrypcji. Nie hostuje żadnego z modeli mowy i nie musi tego robić. Warstwa transkrypcji pozostaje tam, gdzie jest; routing zaczyna się od tekstu, który ona tworzy.

Jedyne, czego nie należy robić, to traktowanie różnicy 0,32 punktu jako czynnika decydującego. To najmniejsza liczba w porównaniu i dla większości zespołów najmniej istotna.