SOV-Transcribe-1 vs Gemini 3.5 Transcribe: Três décimos de ponto, e todo o resto

No painel de fala do Artificial Analysis, os dois modelos ficam a 0,32 ponto percentual de distância — SOV-Transcribe-1 com 2,28% de AA-WER, Gemini 3.5 Transcribe com 2,60% — e essa é a menor diferença de toda esta comparação. Todo o resto é maior. O Gemini 3.5 Transcribe cobre mais de 85 idiomas, contra sete, identifica até oito falantes onde o modelo da Salesforce não identifica nenhum, emite timestamps no nível da palavra e tem um endpoint ao vivo separado para streaming. O SOV-Transcribe-1 tem pesos abertos sob Apache 2.0, roda em uma GPU que você possui e aceita uma lista de palavras-chave que corrige nomes e tickers de forma mensurável. Escolher entre eles não é uma questão de precisão. É uma questão de saber se você está comprando uma transcrição ou comprando um pipeline.

O que cada um é

SOV-Transcribe-1 é o primeiro modelo de linguagem aumentado por fala com pesos abertos da Salesforce, publicado em 12 de novembro de 2026 como salesforce-sovereign-intelligence/SOV-Transcribe-1: um codificador Whisper large-v3 alimentando um decodificador de mistura de especialistas Gemma 4 26B A4B, 26,6B parâmetros no total e 4,6B ativos, em um checkpoint BF16 de 53 GB. Ele opera sem streaming, processa até 30 minutos de áudio de 16 kHz por solicitação e é controlado por instruções na mensagem do usuário, em vez de por parâmetros.

O Gemini 3.5 Transcribe é o modelo hospedado de conversão de fala em texto do Google, atualizado pela última vez em agosto de 2026 e acessível por meio da Gemini API como gemini-3.5-transcribe, com um equivalente de streaming via WebSocket chamado gemini-3.5-transcribe-live. Ele aceita áudio de até uma hora por solicitação — trinta minutos quando a diarização ou os carimbos de data/hora estão ativados — e retorna texto e anotações por palavra. Não há pesos para baixar nem servidor para dimensionar.

A lacuna de precisão, decomposta

AA-WER v2 é um composto ponderado: AA-AgentTalk a 50%, VoxPopuli-Cleaned a 25%, Earnings22-Cleaned a 25%. Dividir os dois modelos entre esses componentes é mais informativo do que o resultado principal, porque a vantagem do modelo Salesforce não está distribuída de forma uniforme.

• AA-AgentTalk — SOV-Transcribe-1 a 1,79%. Este é o conjunto conversacional sintético com peso pela metade, e é onde o modelo da Salesforce é mais forte em relação a qualquer outro item do quadro.

• VoxPopuli-Cleaned — SOV-Transcribe-1 a 1,50%. Discurso parlamentar lido, e as línguas europeias em sua mistura de treinamento são exatamente aquelas das quais este conjunto se vale.

• Earnings22-Cleaned — SOV-Transcribe-1 com 4.06%. Chamadas de resultados reais: nomes, tickers, números, falas sobrepostas. A pior superfície do modelo, e a mais próxima do áudio corporativo.

O Google não publica um detalhamento de componentes para o Gemini 3.5 Transcribe nos mesmos três conjuntos, então a afirmação honesta é que o composto favorece a Salesforce em 0,32 ponto, e o panorama por conjunto de dados do Google não é visível publicamente. Qualquer pessoa que alegue uma vitória clara em, digamos, áudio de central de atendimento está extrapolando a partir de um composto ponderado em metade para conversa sintética.

Onde o modelo hospedado está simplesmente à frente

Quatro capacidades do lado do Google não têm equivalente no lançamento da Salesforce, e cada uma decide uma categoria de produto.

• Idiomas — mais de 85, com detecção automática e alternância de código no meio da sessão, em comparação com sete idiomas europeus. Se o seu áudio incluir mandarim, hindi, árabe ou japonês, o SOV-Transcribe-1 não é um candidato e a comparação de precisão é irrelevante.

• Estrutura de falantes — diarização para até oito falantes, com atribuição além de três falantes rotulada como experimental. O SOV-Transcribe-1 não documenta diarização alguma; a transcrição de uma chamada entre duas pessoas retorna como um único bloco de texto indiferenciado.

• Carimbos de data/hora — saída em nível de palavra no endpoint de lote. O modelo da Salesforce emite uma string de transcrição, então a geração de legendas ou a busca de conformidade por carimbo de data/hora precisa ser implementada downstream.

• Streaming — um endpoint ao vivo dedicado com sessões de dez minutos e transporte WebSocket bidirecional. O SOV-Transcribe-1 é explicitamente não streaming; não há modo de transcrição parcial a ser habilitado.

Há uma quinta diferença que não é um recurso, mas uma restrição. A própria documentação do Google sinaliza que carimbos de data/hora no nível da palavra degradam a precisão da transcrição e são incompatíveis com vocabulário personalizado, e que a diarização também é incompatível com o viés de vocabulário. O modelo hospedado faz você escolher qual capacidade deseja por solicitação. O modelo da Salesforce faz você escolher uma vez, no nível de "sem diarização, nunca".

Onde o modelo aberto está à frente, além da pontuação

A resposta óbvia é residência de dados, e ela é a correta para uma grande parte dos compradores: pesos Apache 2.0 em hardware que você controla significa que o áudio nunca sai das instalações. Para gravações de call center em serviços financeiros ou saúde, isso frequentemente é um requisito rígido, e não uma preferência, e nenhuma API hospedada atende a isso, independentemente do WER.

A resposta menos óbvia é o viés. No Contextual Earnings-22, o SOV-Transcribe-1 eleva o F1 de palavras-chave de 71,9 sem dicas para 96,8 quando recebe as palavras-chave do próprio clipe, e mantém 94,0 quando recebe a lista de palavras-chave da hora completa, com a maioria das entradas como distratoras. O Gemini também oferece viés de vocabulário personalizado, com até 1.000 termos, com os melhores resultados relatados em torno de 100 — mas não pode ser combinado com a diarização ou os carimbos de data/hora que você também pode querer. Se a precisão de entidades é o produto, ambos os modelos conseguem fazê-lo; apenas um deles consegue fazê-lo enquanto também emite rótulos de locutor.

O controle de estilo é o terceiro. O SOV-Transcribe-1 foi treinado para receber instruções — literal versus revisado, dígitos versus palavras, preenchimentos mantidos ou descartados — e a Salesforce relata WER de 5,05% sensível à preferência com a instrução fornecida. O equivalente do Google é o "Smart transcription", que cobre remoção de preenchimentos e formatação sensível à intenção, mas é um modo, e não uma superfície de instrução.

A comparação de custos que realmente importa

O Google publica o Gemini 3.5 Transcribe a US$ 2,00 por milhão de tokens de entrada de áudio e US$ 12,00 por milhão de tokens de saída, que a página de preços converte para aproximadamente US$ 0,003 por minuto de entrada e US$ 0,002 por minuto de saída, ou cerca de US$ 0,005 por minuto no combinado. O quadro da Artificial Analysis traz o mesmo modelo a US$ 5,00 por 1.000 minutos. De qualquer forma, mil minutos de áudio custam cerca de cinco dólares.

O SOV-Transcribe-1 não tem preço por minuto porque a Salesforce não vende nenhum endpoint. O número comparável é a taxa de transferência: com suporte nativo ao vLLM e o modelo draft DFlash, uma RTX PRO 6000 Blackwell Server Edition transcreve até 1.039 segundos de áudio por segundo. Nesse ritmo, uma única placa processa mil minutos em cerca de um minuto de tempo real, então o ponto de equilíbrio em relação a uma API de US$ 5 por 1.000 minutos é atingido em qualquer volume significativo — e nunca é atingido se você transcreve três horas por semana e precisaria alugar a placa por hora para fazer isso.

Duas ressalvas acompanham essa conta. O número 1.039 é uma medição de build de desenvolvimento do vLLM de novembro de 2026 com max_num_seqs=64, que também é a configuração necessária para manter o profiling de inicialização dentro de 96 GB depois que o modelo draft é carregado. E a integração é um plugin fixado no vLLM 0.32.0, com suporte nativo upstream descrito como trabalho em andamento. Você não está apenas comprando uma GPU; está mantendo uma stack de serving.

Regras de decisão

Recorra ao Gemini 3.5 Transcribe quando qualquer uma destas condições for verdadeira: o áudio não estiver em um dos sete idiomas europeus, você precisar de rótulos de locutor ou carimbos de data/hora como saída de primeira classe, você precisar de transcrições parciais enquanto o áudio ainda estiver chegando, ou seu volume for baixo o suficiente para que uma GPU nunca se pague. O déficit de precisão de 0,32 ponto é um custo real, mas é um custo medido em um composto com metade do peso voltada para conversa sintética, e compra quatro capacidades que você, de outra forma, teria de construir.

Recorra ao SOV-Transcribe-1 quando o áudio for predominantemente em inglês e tiver muitas entidades, quando o vocabulário for conhecido de antemão, quando as gravações tiverem menos de trinta minutos e quando "o áudio permanece no nosso hardware" for uma cláusula de contrato, e não uma preferência. A transcrição em lote durante a noite de chamadas de vendas gravadas é a carga de trabalho para a qual este modelo foi claramente projetado.

Ambientes mistos são o resultado comum, e a parte complicada nunca é a transcrição. É que a transcrição alimenta um segundo modelo — um resumidor, um classificador, um agente de QA — e mudar esse consumidor significa um novo fornecedor, uma nova chave e uma nova fatura. O OrcaRouter elimina essa etapa: mais de 200 modelos de texto, imagem e vídeo por trás de uma única chave ao preço de tabela do fornecedor com 0% de markup, para que o modelo a jusante da transcrição possa ser trocado ou passar por failover sem sequer tocar no pipeline de transcrição. Não hospeda nenhum dos modelos de fala, e não precisa de o fazer. A camada de transcrição fica onde está; o encaminhamento começa com o texto que ela produz.

A única coisa a não fazer é tratar a diferença de 0,32 ponto como o fator decisivo. É o menor número da comparação e, para a maioria das equipes, o de menor consequência.