SOV-Transcribe-1 vs Nemotron 3.5 Transcribe: piętnaście dni różnicy, a tylko jeden z nich jest produktem

W ciągu dwóch tygodni otwarte modele rozpoznawania mowy dwa razy zmieniły lidera. NVIDIA opublikowała Nemotron 3.5 Transcribe 28 października 2026 r.; Salesforce opublikował SOV-Transcribe-1 12 listopada. W zestawieniu zbiorczym Artificial Analysis wygrywa nowszy model: SOV-Transcribe-1 z wynikiem 2,28% AA-WER wobec 2,81% w przypadku Nemotron 3.5 Transcribe. To cały argument sprzedażowy — i jest on uboższy, niż wygląda. NVIDIA udostępniła diaryzację mówców, znaczniki czasu słów, czterdzieści języków, nagrania godzinne, trzy formaty kwantyzacji, opublikowany raport techniczny oraz stos serwowania z cookbookiem. Salesforce udostępnił najlepszy wynik w zestawieniu i kartę modelu, która mówi, że raport techniczny jest w drodze. Jeśli wybierasz model, który ma trafić do produktu, a nie na leaderboard, różnica w dokładności nie jest osią, która ma znaczenie.

Dwie architektury, dwa zupełnie różne zakłady

Nemotron 3.5 Transcribe to hybrydowy model językowy typu mixture-of-experts łączący Mamba-2 i Transformer — Nemotron 3.5 Lightning 30B A3B — wyposażony w równoległy enkoder ekspercki: enkoder ASR oparty na Transformerze o około 600 mln parametrów oraz oddzielny 99-milionowy enkoder mówcy, a także głowicę CTC do wyrównywania znaczników czasu. Łącznie trzydzieści cztery miliardy parametrów, 4,3 mld aktywnych, w tym enkoder audio.

SOV-Transcribe-1 działa w drugą stronę. Bierze gotowy enkoder Whisper large-v3, dokłada projektor i przekazuje wynik dekoderowi Gemma 4 26B A4B — łącznie 26,6B, 4,6B aktywnych. Tam gdzie NVIDIA zbudowała front end mowy i dołączyła własny model językowy, Salesforce dołączył model językowy ogólnego przeznaczenia do front endu mowy, który wszyscy już mają. Dlatego checkpoint SOV ma 53 GB w BF16, a wydanie Nemotron w BF16 wymaga H100 80 GB: model Salesforce ma mniejszą łączną wagę i przechowuje ją w formacie, dla którego nie opublikowano jeszcze wariantu skwantyzowanego.

• Łączna liczba parametrów — SOV-Transcribe-1 26.6B w porównaniu z Nemotron 3.5 Transcribe 34B, przy czym w obu przypadkach uwzględniono enkoder audio.

• Aktywne parametry — 4,6B wobec 4,3B. W praktyce remis i to jest ciekawe: Salesforce osiąga niższy wskaźnik błędów przy nieznacznie większym zestawie aktywnych parametrów i znacznie mniejszym zestawie całkowitym.

• Limit audio — 30 minut w porównaniu z 1 godziną, z kontekstem 65 536 tokenów po stronie NVIDIA.

• Języki — 7 europejskich kontra 40, z obsługą przełączania kodów w całej matrycy Nemotron.

• Precyzja — wyłącznie BF16 (router FP32) w porównaniu z punktami kontrolnymi BF16, FP8 i NVFP4, z których ostatni działa na karcie RTX 5090.

• Licencja — Apache 2.0 kontra OpenMDW-1.1. Apache jest zdecydowanie bardziej permisywna z tych dwóch, a dla niektórych zespołów prawnych już to samo w sobie przesądza sprawę.

Jeden test porównawczy, który przeprowadzili obaj dostawcy, z liczbami, które się nie zgadzają

To najużyteczniejsze porównanie w artykule, ponieważ to jedyne miejsce, w którym obie karty modeli można zestawić obok siebie w tym samym teście. VoiceCodeBench mierzy transkrypcję wartości strukturalnych — adresów e-mail, ścieżek plików, identyfikatorów, numerów kont — i raportuje dwa wskaźniki: zgodność tokenów kanonicznych i encji, czyli to, jaka część docelowej treści została odzyskana, oraz wskaźnik powodzenia zadania, czyli odsetek nagrań, w których każda docelowa wartość została poprawnie rozpoznana.

Karta modelu NVIDIA podaje oba wskaźniki: 88,53% CTEM i 59,33% TSR, a także wskaźnik błędów słów na poziomie 8,38% na tym zestawie. Karta Salesforce podaje dwie wartości dla tego samego benchmarku: 76,3% dla przypadków przechodzących każdą docelową encję oraz 93,4% odzyskanych encji, opisywane jako pierwsze wśród systemów z otwartymi wagami i drugie spośród 23 ogółem. Odpowiadają one odpowiednio TSR i CTEM, ale to mapowanie nie działa. Salesforce twierdzi, że 76,3% uzyskuje pełne przejście, podczas gdy NVIDIA podaje 59,33% dla tego samego wskaźnika, i twierdzi, że odzyskuje 93,4% encji, podczas gdy NVIDIA podaje 88,53%.

Istnieją niewinne wyjaśnienia. VoiceCodeBench to prywatny ranking prowadzony przez podmiot trzeci, wyniki są wersjonowane w czasie, a obaj dostawcy mogli przesłać różne migawki. Istnieje też nie tak niewinne wyjaśnienie: jedna z tych dwóch liczb jest przedstawiana z większą pewnością, niż uzasadnia to własne raportowanie benchmarku. Wniosek, jaki czytelnik może wyciągnąć, jest wąski i wart jasnego wyrażenia — w przypadku jedynego benchmarku wartości strukturalnych, względem którego zmierzono oba modele, model Salesforce wydaje się istotnie lepszy w poprawnym uzyskiwaniu każdej wartości, a wielkość tej przewagi jest sporna — od pięciu do siedemnastu punktów, w zależności od tego, czyją kartę czytasz.

Co NVIDIA dostarczyła, a Salesforce nie

Ta luka nie jest przyrostowa. To zdolności, a nie wyniki punktowe, i każda z nich eliminuje kawałek pracy na dalszym etapie, którą w przeciwnym razie musiałbyś zbudować.

• Transkrypcja z przypisaniem mówców — pełna ewaluacja wielomówcowa w ramach AMI, CALLHOME, Mixer 6 i NOTSOFAR-1, ze średnim cpWER na poziomie 15.80 i wynikami dla poszczególnych warunków aż po pojedyncze przypadki z odległymi mikrofonami. SOV-Transcribe-1 w ogóle nie dokumentuje diaryzacji.

• Znaczniki czasu słów — głowica wyrównywania CTC zwracająca tekst słów z czasami rozpoczęcia i zakończenia, mapę segmentów diaryzacji oraz pole błędu wyrównywania. Karta Salesforce zwraca ciąg transkrypcji.

• Tłumaczenie mowy, identyfikacja języka i odpowiadanie na pytania dotyczące dźwięku — odrębne zadania z własnymi benchmarkami, w tym 100% identyfikacji języka FLEURS w kilku językach. SOV-Transcribe-1 transkrybuje w siedmiu językach i na tym poprzestaje.

• Raport techniczny — opublikowany jako PDF, ze składem danych treningowych wyszczególnionym aż do informacji, które korpusy od kogo zostały licencjonowane. Salesforce podaje link do swojego raportu z dopiskiem „wkrótce”.

• Drabina kwantyzacji i kookbook serwowania — NVFP4 na konsumenckim Blackwell, ścieżka SGLang-Omni, GGML w natywnym Windows. Integracja Salesforce to wtyczka vLLM przypięta do wersji 0.32.0, a wsparcie upstream opisano jako prace w toku.

Uczciwe zastrzeżenie do tej listy jest takie, że szerokość i głębokość konkurują ze sobą. Model wytrenowany na 40 językach i siedmiu rodzinach zadań rozkłada swoją pojemność; ten wytrenowany na siedmiu językach europejskich i wyłącznie transkrypcji może przeznaczyć na to całą swoją pojemność. Różnica 0,53 punktu w wyniku złożonym jest dokładnie tym, jak wygląda ten kompromis, gdy się opłaca.

Liczby porcji, czytaj uważnie

Obaj dostawcy przeprowadzają testy na tej samej karcie, co sprawia, że to porównanie jest wyjątkowo klarowne — i wyjątkowo łatwo o pomyłkę.

• Salesforce, SOV-Transcribe-1 — do 1 039 sekund audio na sekundę na jednej karcie RTX PRO 6000 Blackwell Server Edition, z włączonym modelem szkicowym DFlash, w kompilacji rozwojowej vLLM, przy max_num_seqs=64.

NVIDIA, Nemotron 3.5 Transcribe — do 2238 sekund dźwięku na sekundę na tej samej karcie w NVFP4 z dekodowaniem spekulatywnym DFlash2, zwracając transkrypcję 30-sekundowego klipu w 0,13 sekundy.

Wynik NVIDIA jest ponad dwukrotnie wyższy, a NVIDIA wyjaśnia dlaczego w swojej karcie: te optymalizacje znajdują się w Nemotron Transcribe NIM i nie ma ich w wydaniu open source, które karta opisuje jako około dwukrotnie wolniejsze i przeznaczone do rozwoju modelu. Zatem porównanie na równych zasadach — otwarty vLLM z otwartym vLLM, na jednej karcie — to około 1119 wobec 1039 sekund audio na sekundę. NVIDIA nadal jest z przodu, o około osiem procent, i jest z przodu, będąc jednocześnie modelem z etykietami mówców i znacznikami czasu w strumieniu wyjściowym.

Dla kupującego oznacza to, że żaden z tych modeli nie jest kupowany ze względu na przepustowość. Oba nasycają nowoczesną kartę; oba wymagają dedykowanej. Decyzja dotyczy tego, jakiego wyniku potrzebujesz i które pobrane wydanie możesz uruchomić, a w drugiej kwestii Nemotron wygrywa bezapelacyjnie, ponieważ checkpoint NVFP4 działa na sprzęcie kosztującym ułamek ceny 96 GB podzespołu serwerowego, podczas gdy model Salesforce nie ma wydania skwantyzowanego, którego można by użyć.

Gdzie SOV-Transcribe-1 jest naprawdę lepszym wyborem

Trzy przypadki, a pierwszy jest oczywisty. Jeśli językiem jest angielski, a produktem — dokładność rozpoznawania encji, {{1}}2,28% wobec 2,81% w wyniku zbiorczym{{/1}} to rzeczywista różnica, a najsłabszy obszar modelu Salesforce — 4,06% na Earnings22-Cleaned — wciąż jest lepszy niż to, co wynik zbiorczy sugeruje w przypadku konkurencji. W Contextual Earnings-22 SOV-Transcribe-1 podaje, że F1 dla słów kluczowych rośnie z {{2}}71,9 do 96,8{{/2}} dzięki wskazówkom pochodzącym z samego klipu i utrzymuje się na poziomie 94,0, gdy jako dystraktory poda się pełną godzinową listę słów kluczowych. NVIDIA podaje własne liczby dla Contextual Earnings22 w postaci współczynnika błędów słów, a nie F1: od 12,54% bez kontekstu do 9,58% lokalnie, więc oba zestawy nie są bezpośrednio porównywalne — ale kształt wyniku, czyli to, że listy wskazówek pomagają, a listy wskazówek z dużą liczbą dystraktorów wciąż pomagają, jest taki sam w obu przypadkach.

Drugi przypadek to licencjonowanie. Apache 2.0 w zestawieniu z OpenMDW-1.1 nie jest formalnością dla firmy, której dział prawny ma wyrobione zdanie na temat utworów pochodnych. Jeśli zamierzasz dostrajać model i go redystrybuować albo osadzić go w produkcie, który dostarczasz, ścieżka Apache jest krótsza.

Trzeci to prostota zakresu. Model, który robi jedną rzecz, zwraca jedną rzecz, a pipeline oczekujący ciągu transkrypcji łatwiej zrozumieć niż taki, który otrzymuje ustrukturyzowany obiekt ze znacznikami mówców, znacznikami czasu i polem błędu dopasowania, którego może nie potrzebować. Zespoły, które chcą mieć własną diaryzację — ponieważ już uruchamiają zaufany model osadzeń mówców — otrzymują czystsze dane wejściowe z węższego modelu.

Wybór między nimi bez rankingu

Jeśli audio to spotkanie, rozmowa z więcej niż jednym głosem lub cokolwiek, gdzie „kto to powiedział” jest częścią rezultatu, odpowiedzią jest Nemotron 3.5 Transcribe, a kwestia dokładności staje się bezprzedmiotowa — SOV-Transcribe-1 nie potrafi wygenerować tego pola. Jeśli audio nie jest w języku angielskim, dotyczy to tego samego, tylko jeszcze wyraźniej. Jeśli nagrania przekraczają trzydzieści minut lub mają działać na sprzęcie mniejszym niż karta do centrów danych, znowu NVIDIA.

Jeśli audio jest w języku angielskim, ma jednego mówcę lub zostało już poddane diaryzacji na wcześniejszym etapie, trwa krócej niż pół godziny, a rezultatem ma być tekst z poprawnymi nazwami własnymi, SOV-Transcribe-1 jest dokładniejszym transkryberem dostępnym obecnie, a licencja Apache usuwa konieczność negocjacji. To węższy zestaw obciążeń, niż sugerowała komunikacja przy premierze, i jest to zestaw rzeczywisty.

Mieszane potoki przetwarzania są tu również normalnym wynikiem i rodzą praktyczne pytanie, którego nie porusza żadna karta modelu: co odczytuje transkrypcję później. OrcaRouter umieszcza 200+ modeli tekstowych, obrazowych i wideo za jednym kluczem w cenach katalogowych dostawcy z 0% marży, dzięki czemu moduł podsumowujący lub ekstraktor w dalszym etapie można zamienić lub przełączyć w tryb awaryjny bez drugiej umowy — przydatne, gdy źródło transkrypcji wciąż jest ustalane. Żaden z tych modeli mowy nie jest przez niego obsługiwany i nie twierdzimy inaczej; routing zaczyna się tam, gdzie tekst.

To, co zmieniło się w ciągu dwóch tygodni między tymi dwoma wydaniami, to nie to, który model zajmuje szczyt rankingu modeli z otwartymi wagami. Chodzi o to, że ranking nie ma już jednoznacznej odpowiedzi, a odpowiedź zależy teraz od tego, czy kupujesz transkrybator, czy potok transkrypcji. NVIDIA sprzedaje ten drugi. Salesforce opublikował ten pierwszy — i zrobił to wyjątkowo dobrze.