SOV-Transcribe-1 kontra GPT Transcribe: jeden publikuje benchmarki, drugi podaje cenę

OpenAI nigdy nie opublikował współczynnika błędów słów dla GPT Transcribe. Model widnieje w dokumentacji API jako snapshot z ceną i listą endpointów — i to cały publiczny zapis: żadnej tabeli dokładności, żadnej listy języków, żadnego porównania z poprzednikiem. To oznacza, że jedyna możliwa do obrony liczba w tym porównaniu pochodzi z cudzego harnessu: Artificial Analysis mierzy GPT Transcribe na 3,31% AA-WER, wobec 2,28% dla SOV-Transcribe-1, otwartego modelu Salesforce wydanego 12 listopada 2026. Dzieli je pełny punkt procentowy błędu słów i jest to najmniej przydatny fakt w tym artykule. Przydatne fakty są takie, że GPT Transcribe strumieniuje w czasie rzeczywistym przez sesję WebSocket, a SOV-Transcribe-1 w ogóle nie potrafi strumieniować; że jeden kosztuje 0,0045 USD za minutę, a drugi kosztuje GPU; oraz że żaden z dostawców nie powie ci, jak którykolwiek z modeli zachowuje się na twoim audio.

Co O​penAI faktycznie dokumentuje

Migawka nazywa się gpt-transcribe. Obsługuje ukończone pliki audio, transkrypcje przesyłanych plików i zatwierdzone tury w sesjach Realtime przez WebSocket — strumieniowanie jest więc udokumentowaną możliwością z własnym transportem, a nie flagą w wywołaniu wsadowym. Strona katalogu odnotowuje również obsługę nieustrukturyzowanego kontekstu, podpowiedzi słów kluczowych i wielu podpowiedzi językowych, co ma ten sam kształt ukierunkowywania, jaki SOV-Transcribe-1 oferuje poprzez instrukcje. Udokumentowana cena to $0.0045 za minutę audio, co daje $0.27 za godzinę audio, a praktyczne ujęcie tej liczby jest takie, że transkrypcja tysiąca godzin nagranych rozmów kosztuje $270.

Równie wiele mówi to, czego brakuje. Strona modelu ocenia skuteczność wyłącznie jakościową etykietą „Highest”, a szybkość jako „Medium” — bez WER, bez dokładności dla poszczególnych języków, bez podanej maksymalnej długości audio jako twardego limitu, bez tabeli ewaluacji porównującej go z Whisper. Starszy model mowy OpenAI, Whisper Large v3 Turbo, ma kartę modelu z sekcjami ograniczeń i opublikowany artykuł. GPT Transcribe ma cenę, listę endpointów i dwa przymiotniki. To nie jest oskarżenie — wiele modeli produkcyjnych trafia na rynek bez publikowanych ewaluacji — ale zmienia to, co kupujący może sprawdzić przed podjęciem decyzji, i dlatego niezależny zestaw testowy ma tu większe znaczenie niż w porównaniu, w którym obaj dostawcy publikują.

Ten jeden numer zewnętrzny i jaką wagę ze sobą niesie

Artificial Analysis uruchamia G​PT Transcribe w tym samym kompozycie trzech zestawów, którego używa do wszystkiego na tym rankingu: AA-AgentTalk z wagą 50%, VoxPopuli-Cleaned z 25%, Earnings22-Cleaned z 25%. G​PT Transcribe uzyskuje wynik 3,31%. Ten sam zestaw testowy daje SOV-Transcribe-1 wynik 2,28%.

Przeczytaj komponenty, zanim zaufasz różnicy. Wynik 2,28% modelu SOV-Transcribe-1 to średnia: 1,79% na syntetycznym zbiorze konwersacyjnym, 1,50% na czytanej mowie parlamentarnej i 4,06% na rzeczywistych telekonferencjach wynikowych — rozpiętość między najlepszym a najgorszym obszarem wynosi prawie 3:1. Jeśli GPT Transcribe ma podobną rozpiętość — a nie ma opublikowanego powodu, by sądzić inaczej — to jednopunktowa różnica w wyniku zbiorczym może oznaczać dwupunktową różnicę w telekonferencjach wynikowych i błąd zaokrąglenia w czytanej mowie. Nikt poza Artificial Analysis tego nie wie, a Artificial Analysis publikuje wyniki zbiorcze, a nie rozbicie na poszczególne zbiory dla każdego modelu.

Drugim niezależnym wskaźnikiem jest szybkość. Ten sam test mierzy G​PT Transcribe przy współczynniku prędkości 43,1 — co oznacza 43,1 sekundy audio przetwarzanego na sekundę czasu zegarowego. Dla porównania, w tym samym pomiarze Whisper Large v3 Turbo osiąga 339,5, a G​emini 3.5 Transcribe — 94,4. G​PT Transcribe jest najwolniejszy z całej czwórki, i to zdecydowanie, a jeśli transkrybujesz archiwum, a nie pojedynczą rozmowę telefoniczną, to właśnie ta liczba decyduje o głębokości Twojej kolejki.

Skąd pochodzą liczby otwartego modelu i gdzie się kończą

Wynik 2,28% w SOV-Transcribe-1 jest niezależny, ale niemal wszystko inne na jego temat pochodzi z raportów Salesforce. Karta modelu deklaruje 76,3% wskaźnika pełnych zaliczeń w VoiceCodeBench, prywatnej tablicy rankingowej, oraz 93,4% odzysku encji na tym samym zbiorze; średni WER 8,21% w czternastu akcentach angielskich w AppTek Call-Center Dialogues; a także 25,69% w HALAS, zestawie telekonferencji wynikowych skoncentrowanym na halucynacjach. Spośród nich tylko wskaźnik złożony Artificial Analysis może dziś zostać odtworzony przez stronę trzecią. Raport techniczny jest podlinkowany jako „wkrótce”.

Uczciwe ujęcie porównania dokładności jest więc asymetryczne w niewygodny sposób: model otwarty ma lepszy niezależny wynik i obszerny zbiór niezweryfikowanych twierdzeń dostawcy, podczas gdy model hostowany ma gorszy niezależny wynik i zupełnie brak twierdzeń dostawcy. Żadna z tych pozycji nie jest mocna. Jeśli Twoja decyzja zależy od odporności na akcenty lub dokładności rozpoznawania encji, wybierasz między slajdem dostawcy a ciszą, a jedynym sposobem, aby to rozstrzygnąć, jest uruchomienie obu modeli na kilkuset klipach własnego audio.

Streaming to różnica, która kończy rozmowę.

To nie jest niuans. GPT Transcribe otwiera sesję transkrypcji w czasie rzeczywistym przez WebSocket i zwraca częściowy tekst w miarę napływania dźwięku. SOV-Transcribe-1 wyraźnie nie obsługuje strumieniowania: przyjmuje kompletne nagranie, do trzydziestu minut dźwięku mono 16 kHz, i zwraca kompletny transkrypt. Nie ma trybu częściowego wyniku, który można włączyć, ani konfiguracji, która go generuje.

W przypadku produktu do napisów na żywo, agenta głosowego, nakładki wspomagającej pracę konsultanta centrum obsługi lub czegokolwiek, gdzie transkrypcja musi istnieć, zanim mówca przestanie mówić, porównanie jest już rozstrzygnięte, zanim w ogóle zacznie się rozmowa o dokładności. SOV-Transcribe-1 nie jest wolniejszą opcją; to w ogóle nie jest opcja. I odwrotnie: jeśli obciążenie polega na nocnej transkrypcji wsadowej nagranych rozmów — a właśnie tym w większości jest korporacyjny wolumen mowy — streaming to funkcja, za którą byś zapłacił i nigdy byś jej nie wywołał, a przewaga dokładności wynosząca 1,03 punktu to darmowe pieniądze.

Druga różnica strukturalna kryje się pod tamtą. GPT Transcribe to zarządzany endpoint: nazwa snapshotu jest ustalona, format odpowiedzi może zmienić OpenAI, a wersja, którą wywołasz za rok, ma tę samą nazwę z dowolnymi ulepszeniami wdrożonymi pod spodem. SOV-Transcribe-1 zwraca ciąg transkrypcji i nic więcej — bez znaczników czasu słów, bez etykiet mówców — co jest realnym kosztem, ale oznacza też, że format wyjściowy jest taki, jaki uczyni z niego twój kod dalszego przetwarzania, a pobrane wagi nigdy nie zmieniają się pod tobą, chyba że je zastąpisz.

Porównanie kosztów wraz z przedstawionymi obliczeniami

G​PT Transcribe jest wyceniany za minutę audio: 0,0045 USD, czyli 4,50 USD za tysiąc minut, co dokładnie odpowiada kwocie podawanej przez Artificial Analysis. Nie ma tu żadnego rozliczania tokenów do modelowania ani udokumentowanego progu rabatowego.

Po stronie Salesforce nie ma liczby na minutę, którą można by umieścić obok, ponieważ nie ma nic do kupienia na minutę. Karta oferuje zamiast tego przepustowość: dzięki natywnemu wsparciu vLLM i modelowi roboczemu DFlash jedna RTX PRO 6000 Blackwell Server Edition transkrybuje do 1 039 sekund dźwięku na sekundę i zwraca transkrypcję trzydziestosekundowego klipu w 0,22 sekundy. Tysiąc minut dźwięku to 60 000 sekund, więc w tym tempie zostaje to przetworzone w mniej niż minutę czasu GPU.

Zestawione obok siebie, te dwie liczby mówią coś konkretnego. Przy stawce 4,50 USD za tysiąc minut G​PT Transcribe kosztuje 4,50 USD za to, co model otwarty przetwarza w około 58 sekund na jednej karcie. Wynajem karty RTX PRO 6000 kosztuje kilka dolarów za godzinę — w dolnych widełkach jednocyfrowych — więc ścieżka otwarta jest tańsza przy dowolnym stałym wolumenie, ale tylko wtedy, gdy karta jest zajęta. Przy trzech godzinach audio tygodniowo karta jest bezczynna przez 99% czasu, a API okazuje się dziesięciokrotnie tańszym rozwiązaniem — i to zanim ktokolwiek doliczy inżyniera utrzymującego wtyczkę vLLM przypiętą do wersji 0.32.0.

Dwa zastrzeżenia dotyczące wartości przepustowości, oba z karty modelu. To pomiar z wersji deweloperskiej z listopada 2026 r. i wymaga max_num_seqs=64, aby profilowanie przy uruchamianiu mieściło się w 96 GB karty po załadowaniu modelu roboczego. Domyślna wartość 1024 równoczesnych sekwencji się nie zmieści. Dobierasz rozmiar serwera, a nie wywołujesz punktu końcowego.

Droga środka i gdzie pasuje router

Większość zespołów, które kończą w tym miejscu, nie wybiera jednego rozwiązania. Zatrzymują hostowane API do wszystkiego, co interaktywne, i dodają otwarty model do zaległości archiwalnych, co oznacza dwie ścieżki transkrypcji, dwa formaty wyjściowe i dwa centra kosztów — a potem zwykle jeden model tekstowy w dalszym przetwarzaniu, który musi podsumowywać, klasyfikować lub wyszukiwać informacje w obu.

To właśnie ten ostatni przeskok warto objąć routingiem. OrcaRouter umieszcza 200+ modeli tekstowych, obrazowych i wideo za jednym kluczem w cenach listowych dostawcy z 0% narzutu, więc sumaryzator lub klasyfikator odczytujący dowolny z transkryptów można wymienić, porównać lub przełączyć w tryb awaryjny bez nowej umowy — a obniżka ceny tego modelu tekstowego przez dostawcę wchodzi w życie tego samego dnia, w którym pojawia się na karcie cennikowej samego dostawcy. Usługa nie hostuje GPT Transcribe ani SOV-Transcribe-1; żadnego z tych modeli mowy nie oferujemy, a routing zaczyna się od wytwarzanego przez nie tekstu. Dzięki temu decyzja o transkrypcji przestaje być sprzężona z decyzją o analizie.

Kto powinien wybrać, które

Wybierz G​PT Transcribe, gdy transkrypcja musi być dostępna, podczas gdy audio wciąż jest odtwarzane, gdy nie masz zdolności operacyjnych w zakresie GPU ani ochoty, by je budować, gdy wolumen jest na tyle umiarkowany, że 0,27 USD za godzinę audio to błąd zaokrąglenia w porównaniu z czasem inżynierskim, albo gdy po prostu potrzebujesz dostawcy z umową wsparcia dla endpointu. Zaakceptuj 1,03-punktową różnicę w dokładności jako cenę za to i pamiętaj, że przy 43,1× czasu rzeczywistego nie powinieneś planować uzupełniania dużego archiwum za jego pośrednictwem.

Wybierz SOV-Transcribe-1, gdy dźwięk jest zdominowany przez angielski, każdy plik trwa krócej niż trzydzieści minut, a transkrypcja jest potrzebna po fakcie, a nie w trakcie; gdy nagrania nie mogą opuścić Twojej infrastruktury; gdy słownictwo jest znane z góry i można je przekazać jako listę podpowiedzi, przy czym Salesforce podaje, że współczynnik F1 dla słów kluczowych wzrasta z 71,9 do 96,8 w Contextual Earnings-22; oraz gdy już używasz GPU do czegoś innego, więc koszt krańcowy karty jest bliski zeru.

Nie należy czepiać się porównania 3,31% z 2,28%. Te dwie liczby pochodzą z jednego środowiska testowego, przy jednym ważeniu złożonym, a rozbicia na poszczególne zbiory nie opublikowano dla żadnego z modeli. Wystarczają, by stwierdzić, że model otwarty jest prawdopodobnie dokładniejszy w przypadku angielskiej mowy konwersacyjnej i czytanej. Nie wystarczają, by stwierdzić, o ile jest dokładniejszy na Twoim audio, a możliwości, które ma G​PT Transcribe, a których nie ma SOV-Transcribe-1 — strumieniowanie, zarządzany endpoint, podpowiedzi dotyczące słów kluczowych i języka bez stosu serwowania oraz umowa z dostawcą stojąca za dostępnością — w ogóle nie są mierzone przez WER.