SOV-Transcribe-1 vs GPT Transcribe: Um publica benchmarks, o outro publica um preço

A OpenAI nunca publicou uma taxa de erro de palavra para o GPT Transcribe. O modelo aparece na documentação da API como um snapshot com um preço e uma lista de endpoints, e esse é todo o registro público — nenhuma tabela de precisão, nenhuma lista de idiomas, nenhuma comparação com seu antecessor. O que significa que o único número defensável nesta comparação vem do harness de outra pessoa: a Artificial Analysis mede o GPT Transcribe em 3,31% de AA-WER, contra 2,28% do SOV-Transcribe-1, o modelo de pesos abertos da Salesforce lançado em 12 de novembro de 2026. Um ponto inteiro de erro de palavra os separa, e esse é o fato menos útil do artigo. Os fatos úteis são que o GPT Transcribe faz streaming em tempo real por meio de uma sessão WebSocket e o SOV-Transcribe-1 não consegue fazer streaming de modo algum, que um custa US$ 0,0045 por minuto e o outro custa uma GPU, e que nenhum dos fornecedores dirá como qualquer um dos modelos se comporta com o seu áudio.

O que a OpenAI realmente documenta

O snapshot chama-se gpt-transcribe. Ele processa arquivos de áudio concluídos, transcrições de arquivos transmitidos em streaming e turnos confirmados em sessões Realtime via WebSocket — portanto, o streaming é um recurso documentado com transporte próprio, e não um sinalizador na chamada em lote. A página do catálogo também indica suporte a contexto não estruturado, dicas de palavras-chave e várias dicas de idioma, que é o mesmo formato de enviesamento que o SOV-Transcribe-1 oferece por meio de instruções. O preço documentado é US$ 0,0045 por minuto de áudio, o que equivale a US$ 0,27 por hora de áudio, e a leitura prática desse número é que mil horas de chamadas gravadas custam US$ 270 para transcrever.

O que está ausente é igualmente informativo. A página do modelo classifica o desempenho apenas com um rótulo qualitativo “Highest” e a velocidade como “Medium” — sem WER, sem precisão por idioma, sem duração máxima de áudio declarada como limite rígido, sem tabela de avaliação que o compare ao Whisper. O modelo de fala mais antigo da OpenAI, Whisper Large v3 Turbo, tem um model card com seções de limitações e um artigo científico por trás. O GPT Transcribe tem um preço, uma lista de endpoints e dois adjetivos. Isso não é uma acusação — muitos modelos de produção são lançados sem avaliações publicadas —, mas muda o que um comprador pode verificar antes de assumir o compromisso, e é por isso que o harness independente importa mais aqui do que em uma comparação em que ambos os fornecedores publicam.

O número de fora, e quanto peso ele carrega

A Artificial Analysis executa o G​PT Transcribe no mesmo composto de três conjuntos que usa para tudo naquele painel: AA-AgentTalk com peso de 50%, VoxPopuli-Cleaned com 25%, Earnings22-Cleaned com 25%. O G​PT Transcribe obtém 3,31%. O mesmo harness coloca o SOV-Transcribe-1 em 2,28%.

Leia os componentes antes de confiar na lacuna. Os 2,28% do SOV-Transcribe-1 são uma média de 1,79% no conjunto conversacional sintético, 1,50% em discurso parlamentar lido e 4,06% em teleconferências de resultados reais — a dispersão entre seu melhor e seu pior cenário é de quase três para um. Se o GPT Transcribe tiver uma dispersão semelhante, e não há razão publicada para pensar o contrário, então uma lacuna de um ponto no composto poderia ser uma lacuna de dois pontos em teleconferências de resultados e um erro de arredondamento em discurso lido. Ninguém fora da Artificial Analysis sabe, e a Artificial Analysis publica compostos, não detalhamentos por conjunto para cada modelo.

O segundo número independente é a velocidade. O mesmo painel mede o G​PT Transcribe com um fator de velocidade de 43,1 — ou seja, 43,1 segundos de áudio processados por segundo de tempo real. Para se ter uma ideia da escala, a mesma medição coloca o Whisper Large v3 Turbo em 339,5 e o G​emini 3.5 Transcribe em 94,4. O G​PT Transcribe é o mais lento dos quatro, por uma margem ampla, e, se você está transcrevendo um acervo em vez de uma chamada telefônica, esse é o número que decide a profundidade da sua fila.

De onde vêm os números do modelo aberto e até onde eles vão

A marca de 2,28% do SOV-Transcribe-1 é independente, mas quase todo o restante a seu respeito é reportado pela Salesforce. O cartão do modelo alega taxa de aprovação total de 76,3% no VoiceCodeBench, um leaderboard privado, e recuperação de entidades de 93,4% no mesmo conjunto; WER médio de 8,21% em quatorze sotaques do inglês no AppTek Call-Center Dialogues; e 25,69% no HALAS, um conjunto de chamadas de resultados financeiros focado em alucinações. Desses, apenas o composto da Artificial Analysis pode ser reproduzido por terceiros hoje. O link para o relatório técnico indica “em breve”.

Portanto, a forma honesta de enquadrar a comparação de precisão é assimétrica de uma maneira desconfortável: o modelo aberto tem uma pontuação independente melhor e um grande volume de alegações não auditadas do fornecedor, enquanto o modelo hospedado tem uma pontuação independente pior e nenhuma alegação do fornecedor. Nenhuma das posições é forte. Se sua decisão depende da robustez a sotaques ou da precisão de entidades, você está escolhendo entre um slide do fornecedor e um silêncio, e a única maneira de resolver isso é executar os dois em algumas centenas de clipes do seu próprio áudio.

O streaming é a diferença que encerra a conversa.

Isto não é uma nuance. O GPT Transcribe abre uma sessão de transcrição em tempo real via WebSocket e retorna texto parcial à medida que o áudio chega. O SOV-Transcribe-1 é explicitamente não streaming: ele recebe uma gravação completa, de até trinta minutos de áudio mono de 16 kHz, e retorna uma transcrição completa. Não há modo de saída parcial para ativar nem configuração que o produza.

Para um produto de legendagem ao vivo, um agente de voz, uma sobreposição de assistência ao agente em call center ou qualquer coisa em que a transcrição precise existir antes de o falante parar de falar, a comparação termina antes mesmo de se discutir precisão. O SOV-Transcribe-1 não é uma opção mais lenta; não é uma opção. Por outro lado, se a carga de trabalho for a transcrição em lote noturna de chamadas gravadas — que é o que a maior parte do volume de fala corporativo realmente é —, o streaming é um recurso pelo qual você pagaria e nunca usaria, e a vantagem de precisão de 1,03 ponto é dinheiro grátis.

Há uma segunda diferença estrutural por baixo dessa. O GPT Transcribe é um endpoint gerenciado: o nome do snapshot é fixo, o formato da resposta é algo que a OpenAI pode alterar, e a versão que você chamar daqui a um ano é o mesmo nome, com quaisquer melhorias que tenham sido implementadas por trás dele. O SOV-Transcribe-1 retorna uma string de transcrição e nada mais — sem timestamps por palavra, sem rótulos de falante —, o que é um custo real, mas também significa que o formato de saída é o que o seu código downstream fizer dele, e os pesos que você baixou nunca mudam por baixo de você, a menos que você os substitua.

A comparação de custos, com os cálculos demonstrados

O G​PT Transcribe tem preço por minuto de áudio: US$ 0,0045, ou seja, US$ 4,50 por mil minutos, que é exatamente o valor apresentado no painel da Artificial Analysis. Não há contabilização de tokens a modelar e nenhum nível de desconto documentado.

Não há um número por minuto do lado da Salesforce para colocar ao lado dele, porque não há nada para comprar por minuto. A placa oferece vazão em vez disso: com suporte nativo ao vLLM e o modelo de rascunho DFlash, uma RTX PRO 6000 Blackwell Server Edition transcreve até 1.039 segundos de áudio por segundo e retorna a transcrição de um clipe de trinta segundos em 0,22 segundos. Mil minutos de áudio são 60.000 segundos, então, nessa taxa, isso é concluído em menos de um minuto de tempo de GPU.

Colocados lado a lado, os dois números dizem algo específico. A US$ 4,50 por mil minutos, o GPT Transcribe custa US$ 4,50 pelo que o modelo aberto faz em cerca de 58 segundos em uma placa. Uma RTX PRO 6000 alugada custa poucos dólares por hora, então o caminho aberto é mais barato em qualquer volume sustentado — mas só se a placa estiver ocupada. Com três horas de áudio por semana, a placa fica ociosa 99% do tempo e a API é a resposta mais barata por um fator de dez, antes mesmo de contar o engenheiro que mantém o plugin vLLM fixado na versão 0.32.0.

Duas ressalvas sobre o número de throughput, ambas da model card. É uma medição de build de desenvolvimento de novembro de 2026, e exige max_num_seqs=64 para manter o profiling de inicialização dentro dos 96 GB da placa depois que o modelo draft for carregado. O padrão de 1.024 sequências simultâneas não caberá. Você está dimensionando um servidor, não chamando um endpoint.

O caminho do meio, e onde um roteador se encaixa

A maioria das equipes que acaba aqui não escolhe uma. Elas mantêm a API hospedada para tudo o que for interativo e adicionam o modelo aberto para o backlog de arquivamento, o que significa dois caminhos de transcrição, dois formatos de saída e dois centros de custo — e então, normalmente, um modelo de texto a jusante que precisa resumir, classificar ou recuperar sobre ambos.

Esse último salto é o que vale a pena rotear. O OrcaRouter coloca mais de 200 modelos de texto, imagem e vídeo por trás de uma única chave pelo preço de tabela do provedor com 0% de markup, para que o sumarizador ou classificador que lê qualquer uma das transcrições possa ser trocado, comparado ou submetido a failover sem um novo contrato — e um corte de preço do provedor nesse modelo de texto entra em vigor no mesmo dia em que aparece na tabela de preços do próprio provedor. Ele não hospeda G​PT Transcribe nem SOV-Transcribe-1; nenhum dos dois modelos de fala é algo que oferecemos, e o roteamento começa com o texto que eles produzem. O que isso garante é que a decisão de transcrição deixa de ficar acoplada à decisão de análise.

Quem deve escolher qual?

Escolha o GPT Transcribe quando a transcrição precisar existir enquanto o áudio ainda estiver tocando, quando você não tiver capacidade de operações de GPU e nem disposição para implementá-la, quando o volume for modesto o suficiente para que US$ 0,27 por hora de áudio seja um erro de arredondamento diante do tempo de engenharia, ou quando você simplesmente precisar de um fornecedor com um contrato de suporte por trás do endpoint. Aceite a diferença de precisão de 1,03 ponto como o preço disso e observe que, a 43,1x em tempo real, você não deve planejar fazer o backfill de um grande arquivo por meio dele.

Escolha o SOV-Transcribe-1 quando o áudio for predominantemente em inglês, tiver menos de trinta minutos por arquivo e for necessário depois do ocorrido, em vez de durante; quando as gravações não puderem sair da sua infraestrutura; quando o vocabulário for conhecido de antemão e puder ser entregue como uma lista de dicas, com a Salesforce a relatar um aumento do F1 de palavras-chave de 71,9 para 96,8 no Contextual Earnings-22; e quando você já executar GPUs para outra finalidade, de modo que o custo marginal da placa seja próximo de zero.

O que você não deve fazer é ficar se apegando à comparação entre 3,31% e 2,28%. Esses dois números vêm de um único harness, com uma única ponderação composta, sem detalhamento por conjunto publicado para nenhum dos dois modelos. Eles bastam para dizer que o modelo aberto provavelmente é mais preciso em fala conversacional e de leitura em inglês. Não bastam para dizer quanto mais preciso ele é no seu áudio, e os recursos que o GPT Transcribe tem e que o SOV-Transcribe-1 não tem — streaming, um endpoint gerenciado, dicas de palavras-chave e de idioma sem uma stack de serving, e um contrato com fornecedor por trás do uptime — não são medidos pelo WER de forma alguma.