SOV-Transcribe-1 vs Nemotron 3.5 Transcribe: Quinze dias de diferença, e apenas um deles é um produto

O reconhecimento de fala de pesos abertos mudou de mãos duas vezes numa quinzena. A NVIDIA publicou o Nemotron 3.5 Transcribe a 28 de outubro de 2026; a Salesforce publicou o SOV-Transcribe-1 a 12 de novembro. No compósito da Artificial Analysis, o modelo mais recente vence: SOV-Transcribe-1 com 2,28% de AA-WER contra Nemotron 3.5 Transcribe com 2,81%. É todo o argumento de venda, e é mais frágil do que parece. A NVIDIA entregou diarização de oradores, marcas temporais por palavra, quarenta línguas, gravações de uma hora, três formatos de quantização, um relatório técnico publicado e uma stack de serving com um cookbook. A Salesforce entregou o melhor número do quadro e um cartão de modelo que diz que o relatório técnico está para vir. Se está a escolher um modelo para colocar num produto e não num leaderboard, a diferença de precisão não é o eixo que importa.

Duas arquiteturas, duas apostas totalmente diferentes

Nemotron 3.5 Transcribe é um modelo de linguagem mistura de especialistas híbrido de Mamba-2 e Transformer — Nemotron 3.5 Lightning 30B A3B — equipado com um codificador especialista paralelo: um codificador ASR Transformer de aproximadamente 600M parâmetros e um codificador de locutor separado de 99M parâmetros, além de uma cabeça CTC para alinhamento de timestamps. Trinta e quatro bilhões de parâmetros no total, 4,3B ativos incluindo o codificador de áudio.

O SOV-Transcribe-1 funciona no sentido inverso. Ele pega um encoder Whisper large-v3 de prateleira, acopla um projetor e entrega o resultado a um decoder Gemma 4 26B A4B — 26,6B no total, 4,6B ativos. Enquanto a NVIDIA construiu um front-end de fala e anexou seu próprio modelo de linguagem, a Salesforce anexou um modelo de linguagem de propósito geral a um front-end de fala que todo mundo já tem. É por isso que o checkpoint do SOV tem 53 GB em BF16 e a versão BF16 do Nemotron precisa de uma H100 de 80 GB: o modelo da Salesforce carrega menos peso total, e o carrega em um formato para o qual ainda não foi publicada nenhuma variante quantizada.

• Parâmetros totais — SOV-Transcribe-1 26,6B versus Nemotron 3.5 Transcribe 34B, ambos incluindo o codificador de áudio na contagem.

• Parâmetros ativos — 4,6B versus 4,3B. Efetivamente um empate, o que é a parte interessante: a Salesforce obtém uma taxa de erro menor com um conjunto ativo marginalmente maior e um conjunto total substancialmente menor.

• Limite de áudio — 30 minutos versus 1 hora, com um contexto de 65.536 tokens no lado da NVIDIA.

• Idiomas — 7 europeus versus 40, com alternância de código suportada em toda a matriz Nemotron.

• Precisão — apenas BF16 (roteador FP32) versus checkpoints BF16, FP8 e NVFP4, o último dos quais roda em uma RTX 5090.

• Licença — Apache 2.0 versus OpenMDW-1.1. O Apache é, de longe, o mais permissivo dos dois, e, para algumas equipes jurídicas, isso por si só já decide a questão.

Um benchmark que ambos os fornecedores executaram, com números que não coincidem

Esta é a comparação mais útil do artigo, porque é o único lugar em que os dois cartões de modelo podem ser colocados lado a lado no mesmo teste. O VoiceCodeBench mede a transcrição de valores estruturados — endereços de e-mail, caminhos de arquivo, identificadores, números de conta — e reporta duas métricas: correspondência canônica de tokens e entidades, que indica quanto do conteúdo alvo foi recuperado, e taxa de sucesso da tarefa, que é a proporção de gravações em que todos os valores alvo saíram corretos.

A ficha da NVIDIA publica ambos: 88,53% de CTEM e 59,33% de TSR, além de uma taxa de erro de palavras de 8,38% no conjunto. A ficha da Salesforce publica dois números para o mesmo benchmark: 76,3% passando em todas as entidades-alvo e 93,4% das entidades recuperadas, descritos como primeiro entre sistemas de pesos abertos e segundo entre 23 no geral. Eles correspondem a TSR e CTEM, respectivamente, e o mapeamento não funciona. A Salesforce afirma 76,3% de aprovação total, enquanto a NVIDIA relata 59,33% na mesma métrica, e afirma 93,4% de recuperação de entidades, enquanto a NVIDIA relata 88,53%.

Existem explicações inocentes. O VoiceCodeBench é um placar privado administrado por um terceiro, as pontuações são versionadas ao longo do tempo, e os dois fornecedores podem ter enviado snapshots diferentes. Também há uma não inocente: um dos dois números está sendo descrito com mais confiança do que a própria divulgação do benchmark sustenta. O que um leitor pode concluir é limitado e vale dizer claramente — no único benchmark de valores estruturados contra o qual ambos os modelos foram medidos, o modelo da Salesforce parece ser significativamente melhor em acertar todos os valores, e o tamanho dessa vantagem é contestado em cinco a dezessete pontos, dependendo de qual card você lê.

O que a NVIDIA lançou que a Salesforce não lançou

A diferença aqui não é incremental. São capacidades, não pontuações, e cada uma elimina uma parte do trabalho a jusante que você teria de construir de outra forma.

Transcrição com atribuição de falante — uma avaliação completa com vários falantes em AMI, CALLHOME, Mixer 6 e NOTSOFAR-1, com cpWER médio de 15,80 e resultados por condição que chegam a casos individuais de microfone distante. O SOV-Transcribe-1 não documenta diarização alguma.

• Carimbos de data e hora por palavra — uma cabeça de alinhamento CTC que devolve o texto das palavras com horas de início e fim, um mapa de segmentos de diarização e um campo de erro de alinhamento. O cartão Salesforce devolve uma cadeia de transcrição.

• Tradução de fala, identificação de idioma e resposta a perguntas em áudio — tarefas separadas com seus próprios benchmarks, incluindo 100% de identificação de idioma FLEURS em vários idiomas. O SOV-Transcribe-1 transcreve, em sete idiomas, e para por aí.

• Um relatório técnico — publicado em PDF, com a composição dos dados de treinamento detalhada até o nível de quais corpora foram licenciados de quem. A Salesforce divulga o link do relatório como "em breve".

• Uma escada de quantização e um guia de serving — NVFP4 em Blackwell de consumo, um caminho SGLang-Omni, GGML no Windows nativo. A integração com a Salesforce é um plugin do vLLM fixado na 0.32.0, com o suporte upstream descrito como trabalho em andamento.

A ressalva honesta em relação a essa lista é que amplitude e profundidade são um trade-off entre si. Um modelo treinado em 40 idiomas e sete famílias de tarefas distribui sua capacidade; um treinado em sete idiomas europeus e apenas transcrição pode gastar toda ela ali. A diferença de 0,53 ponto no composto é exatamente a cara desse trade-off quando ele compensa.

Os números de porções, leia com atenção

Os dois fornecedores realizam benchmarks na mesma placa, o que torna esta comparação excepcionalmente limpa — e excepcionalmente fácil de errar.

• Salesforce, SOV-Transcribe-1 — até 1.039 segundos de áudio por segundo em uma única RTX PRO 6000 Blackwell Server Edition, com o modelo draft DFlash habilitado, em uma build de desenvolvimento do vLLM, com max_num_seqs=64.

• {{1}}NVIDIA, Nemotron 3.5 Transcribe{{/1}} — até 2.238 segundos de áudio por segundo na mesma placa em NVFP4 com decodificação especulativa DFlash2, retornando a transcrição de um clipe de 30 segundos em 0,13 segundos.

O número da NVIDIA é mais que o dobro, e a NVIDIA explica por quê em sua própria ficha: essas otimizações estão no Nemotron Transcribe NIM e não estão na versão open-source, que a ficha descreve como aproximadamente duas vezes mais lenta e destinada ao desenvolvimento de modelos. Portanto, a comparação like-for-like — vLLM aberto contra vLLM aberto, em uma única placa — é de aproximadamente 1.119 versus 1.039 segundos de áudio por segundo. A NVIDIA ainda está à frente, em cerca de oito por cento, e está à frente enquanto também é o modelo com rótulos de falante e timestamps no fluxo de saída.

O que isso significa para um comprador é que nenhum dos modelos é comprado com base na vazão. Ambos saturam uma placa moderna; ambos precisam de uma dedicada. A decisão é qual saída você precisa e qual download você consegue executar e, na segunda questão, o Nemotron vence com folga, porque um checkpoint NVFP4 roda em hardware que custa uma fração de um componente de servidor de 96 GB, enquanto o modelo da Salesforce não tem uma versão quantizada para executar.

Onde o SOV-Transcribe-1 é genuinamente a melhor escolha

Três casos, e o primeiro é o óbvio. Se o inglês é o idioma e a precisão de entidades é o produto, 2,28% contra 2,81% no composto é uma diferença real, e o ponto mais fraco do modelo da Salesforce — 4,06% no Earnings22-Cleaned — ainda é melhor do que o que o composto implica para a concorrência. No Contextual Earnings-22, o SOV-Transcribe-1 relata F1 de palavras-chave subindo de 71,9 para 96,8 com as dicas do próprio clipe e mantendo 94,0 quando recebe a lista de palavras-chave da hora completa como distratores. A NVIDIA relata seus próprios números do Contextual Earnings22 em taxa de erro de palavra em vez de F1, de 12,54% sem contexto para 9,58% local, então os dois não são diretamente comparáveis — mas o formato do resultado, de que listas de dicas ajudam e listas de dicas com muitos distratores ainda ajudam, é o mesmo em ambos.

O segundo caso é o licenciamento. Apache 2.0 contra OpenMDW-1.1 não é uma formalidade para uma empresa cuja análise jurídica tem opiniões sobre obras derivadas. Se você pretende fazer ajuste fino e redistribuir, ou incorporar o modelo em um produto que comercializa, o caminho Apache é mais curto.

A terceira é a simplicidade de escopo. Um modelo que faz uma coisa retorna uma coisa, e um pipeline que espera uma string de transcrição é mais fácil de entender do que um que recebe um objeto estruturado com tags de falante, timestamps e um campo de erro de alinhamento que pode não precisar. Equipes que querem ser donas da própria diarização — porque já executam um modelo de embedding de falante em que confiam — obtêm uma entrada mais limpa do modelo mais restrito.

Escolher entre eles sem um ranking

Se o áudio for uma reunião, uma chamada com mais de uma voz, ou qualquer coisa em que “quem disse isso” faça parte do entregável, a resposta é Nemotron 3.5 Transcribe e a questão da precisão é irrelevante — SOV-Transcribe-1 não consegue produzir o campo. Se o áudio não for em inglês, o mesmo se aplica, de forma ainda mais acentuada. Se as gravações ultrapassarem trinta minutos ou precisarem ser executadas em hardware menor que uma placa de data center, NVIDIA novamente.

Se o áudio estiver em inglês, for de um único falante ou já tiver sido diarizado em uma etapa anterior, tiver menos de meia hora e o entregável for texto com os nomes próprios corretos, o SOV-Transcribe-1 é o transcritor mais preciso disponível atualmente, e a licença Apache elimina uma negociação. Esse é um conjunto de cargas de trabalho mais restrito do que a cobertura do lançamento sugeria, e é um conjunto real.

Pipelines mistos são o resultado normal aqui também, e levantam uma questão prática que nenhum dos cartões de modelo aborda: o que lê a transcrição depois. O OrcaRouter coloca 200+ modelos de texto, imagem e vídeo atrás de uma única chave pelos preços de tabela do provedor e com 0% de acréscimo, para que o sumarizador ou extrator a jusante possa ser trocado ou submetido a failover sem um segundo contrato — útil quando a fonte da transcrição ainda está sendo decidida. Nenhum desses modelos de fala é servido por ele, e não afirmamos o contrário; o roteamento começa onde o texto começa.

O que mudou na quinzena entre esses dois lançamentos não é qual modelo ocupa o topo da tabela de pesos abertos. É que a tabela já não tem uma resposta clara, e a resposta agora depende de você estar comprando um transcritor ou um pipeline de transcrição. A NVIDIA vende o segundo. A Salesforce publicou o primeiro, e o fez extremamente bem.