SOV-Transcribe-1 vs Whisper Large v3 Turbo: Quanto valem dois anos e 2,3 pontos de WER

O Whisper Large v3 Turbo não é concorrente do SOV-Transcribe-1 em nenhum sentido comercial. Ele é o incumbente — um checkpoint de 809M parâmetros, licenciado sob MIT, publicado em outubro de 2024, que silenciosamente está por baixo de uma grande parte de todo produto de transcrição lançado desde então, e que ainda aparece em endpoints hospedados a US$ 0,67 por mil minutos. O SOV-Transcribe-1 é o desafiante, publicado pela Salesforce em 12 de novembro de 2026, com 2,28% contra 4,62% do Whisper Large v3 Turbo no índice composto da Artificial Analysis. Então a questão não é qual modelo é melhor. É se reduzir pela metade a taxa de erro vale um download de 53 GB, uma GPU de 96 GB e uma stack de serving, quando a alternativa cabe na memória de um laptop e custa centavos por hora de áudio.

O que dois anos de progresso realmente compraram

Whisper Large v3 Turbo é um Whisper large-v3 podado, com o decodificador reduzido de 32 camadas para 4. O próprio model card da OpenAI é desarmantemente direto a respeito: "exatamente o mesmo modelo, exceto que o número de camadas de decodificação foi reduzido de 32 para 4. Como resultado, o modelo é muito mais rápido, à custa de uma pequena degradação de qualidade." Essa frase descreve uma decisão de compressão, não uma arquitetura.

O SOV-Transcribe-1 é o outro tipo de mudança. A Salesforce manteve um codificador Whisper large-v3 — a mesma front end — e substituiu o decodificador de quatro camadas por um modelo de linguagem de mistura de especialistas Gemma 4 26B A4B por trás de um projetor. A percepção de áudio é herdada do Whisper. O que transforma áudio em palavras é um modelo de linguagem de uso geral trinta vezes maior que todo o checkpoint do Whisper turbo.

• Parâmetros — Whisper Large v3 Turbo 809M versus SOV-Transcribe-1 26,6B no total, 4,6B ativos.

• Decoder — 4 camadas de Transformer em comparação com uma mistura de especialistas de 26B com 4,6B ativos por token.

• Tamanho do checkpoint — menos de 2 GB versus aproximadamente 53 GB em BF16.

• Idiomas — cerca de cem contra sete. Este vai no sentido oposto, e vai com força.

• Carimbos de data/hora — saída em nível de frase e de palavra integrada ao loop de decodificação, versus nenhum documentado.

• Licença — MIT versus Apache 2.0. Ambas são permissivas; a MIT é marginalmente mais simples.

• Hardware — CPU ou uma GPU pequena versus uma placa da classe RTX PRO 6000 com 96 GB para a configuração com draft ativado.

Essa última linha é todo o argumento em miniatura. Um modelo funciona em qualquer lugar; o outro funciona em um componente de servidor que custa mais do que a conta anual inteira de nuvem da maioria dos projetos de transcrição.

A aritmética de erros que ninguém faz

A taxa de erro de palavras é uma abstração até você convertê-la em correções. Considere um corpus de mil minutos de fala em inglês a um ritmo conversacional de 150 palavras por minuto — 150.000 palavras. A 4,62%, o Whisper Large v3 Turbo produz cerca de 6.900 palavras erradas, ausentes ou inseridas. A 2,28%, o SOV-Transcribe-1 produz cerca de 3.400. A diferença é de cerca de 3.500 palavras que uma pessoa não precisa encontrar e corrigir.

Agora, vamos precificar a correção. Um editor cuidadoso concilia a transcrição com o áudio a talvez 200 a 400 palavras por minuto, então 3.500 erros a menos equivalem a algo entre nove e dezoito minutos de revisão humana economizados por mil minutos de áudio. A um custo total de US$ 30 por hora, isso dá US$ 4,50 a US$ 9,00 — contra um custo de transcrição, no lado do Whisper hospedado, de US$ 0,67.

Essa comparação é o motivo pelo qual a maioria das equipes nunca migra. O custo humano dos erros domina o custo de máquina da transcrição em uma ordem de magnitude, portanto, um modelo que reduz os erros pela metade deveria valer dez vezes o preço e, na prática, está competindo contra um preço que já é insignificante. A exceção é qualquer pipeline em que ninguém revisa a saída — indexação automatizada, busca, análises, sumarização alimentando outros processos — porque, nesses casos, os erros não são corrigidos, eles se propagam para tudo o que lê a transcrição em seguida, e o custo de segunda ordem é o que dói.

O índice em que ambas as pontuações se baseiam é, ele próprio, uma mistura — metade conversa sintética de agentes, um quarto discurso parlamentar lido, um quarto chamadas de resultados reais — e os dois modelos comportam-se de forma muito diferente em cada terço. Os componentes do Whisper Large v3 Turbo são 3,52%, 3,97% e 7,49%, respetivamente; os do SOV-Transcribe-1 são 1,79%, 1,50% e 4,06%. A diferença é maior no discurso parlamentar lido — 1,50% contra 3,97%, um fator de 2,6 — e menor nas chamadas de resultados, onde ambos os modelos têm dificuldade e a diferença é de 4,06% contra 7,49%. Se o seu áudio for fala limpa lida, a melhoria é dramática. Se for áudio financeiro confuso com vários intervenientes, ambos os modelos são maus e o mais recente é apenas menos mau.

Por que o Whisper ainda ganha a fatura

Comece pela comparação hospedada, porque é a que a maioria das equipes realmente enfrenta. O Whisper Large v3 Turbo está disponível a US$ 0,67 por mil minutos em pelo menos um provedor de hospedagem no quadro da Artificial Analysis, com um fator de velocidade medido de 339,5 — ou seja, 339,5 segundos de áudio por segundo de tempo real. O SOV-Transcribe-1 não tem qualquer preço hospedado por minuto. A Salesforce publicou pesos, não um endpoint, e nada no quadro traz um valor por 1.000 minutos para ele.

Então a comparação passa a ser dólares contra horas de GPU, e o cartão do modelo traz números incomumente completos para isso. 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. Deixe essa placa rodando a toda por uma hora e ela processa 3,74 milhões de segundos de áudio — 62.340 minutos. A uns dois dólares por hora de aluguel, isso fica na ordem de três centavos por mil minutos de áudio, vinte vezes mais barato que o endpoint Whisper hospedado mais barato da tabela.

Esse número é real e também é o número mais enganoso deste artigo, porque pressupõe que a placa nunca fica ociosa. A transcrição de fala ocorre em rajadas: uma fila acumulada chega durante a noite, é esvaziada e, em seguida, a GPU fica com zero de utilização por vinte horas. A 1.039 segundos de áudio por segundo, uma única placa processa mil horas de áudio em menos de uma hora. Quase ninguém tem mil horas de áudio por dia. A conclusão honesta é que hospedar localmente qualquer um dos modelos é uma decisão econômica sobre utilização, não sobre tamanho — e que, uma vez que você decida rodar uma placa, o custo marginal do modelo melhor é próximo de zero.

Três coisas que o Whisper faz e que o novo modelo não consegue fazer

A cobertura de idiomas vem em primeiro lugar, e não é por pouco. A ficha do modelo do Whisper Large v3 Turbo lista quase cem idiomas, do inglês e do mandarim até galês, maltês, havaiano, lao e sudanês. O SOV-Transcribe-1 cobre inglês, francês, alemão, espanhol, italiano, português e neerlandês. Para qualquer equipe cujo áudio não seja europeu, essa comparação não tem segundo ato — o Whisper não é a opção econômica, é a única opção entre as duas.

Os timestamps são o segundo. O loop de decodificação do Whisper os prevê nativamente, e o pipeline do Transformers os expõe em granularidade de frase ou palavra por meio de um único argumento; é assim que legendas, marcadores de capítulo e busca de conformidade têm sido construídos sobre o Whisper há dois anos. O card do SOV-Transcribe-1 documenta transcrição, controle de estilo e viés de contexto, e nada sobre timestamps. Recuperá-los downstream significa executar um alinhador forçado sobre a saída, que é outro modelo, outra dependência e outra fonte de erro.

A tradução de fala é a terceira. O Whisper pode receber áudio em qualquer um de seus idiomas de origem e emitir texto em inglês diretamente, como uma tarefa de decodificação em vez de uma segunda etapa do pipeline. O SOV-Transcribe-1 transcreve no idioma falado. Se você precisar de legendas para um documentário japonês, o Whisper faz isso em uma única chamada e o modelo da Salesforce não consegue fazer isso de jeito nenhum.

As fragilidades documentadas do Whisper merecem o mesmo destaque, já que são o argumento mais forte para a mudança. O próprio cartão da OpenAI alerta que o modelo alucina — produzindo texto que não foi falado — porque foi treinado com dados ruidosos e fracamente supervisionados, e que isso é pior em idiomas de baixos recursos. Também observa que a arquitetura sequência a sequência é propensa à repetição, mitigada apenas parcialmente por beam search e temperature fallback. Esses são exatamente os modos de falha que tornam perigoso um pipeline sem revisão, e foram exatamente eles que dois anos de trabalho de arquitetura visaram.

Como é uma migração de verdade

Quase ninguém substitui o Whisper pelo SOV-Transcribe-1. Eles fazem roteamento entre os dois, e a regra de roteamento se escreve sozinha a partir das especificações: se o áudio estiver em inglês ou em um dos seis outros idiomas cobertos, tiver um único falante, durar menos de trinta minutos e for repleto de entidades, envie-o para o modelo aberto com uma lista de dicas; caso contrário, deixe-o no Whisper. O resultado do Contextual Earnings-22 da Salesforce — o F1 de palavras-chave subindo de 71,9 sem dicas para 96,8 com as palavras-chave do próprio clipe, e se mantendo em 94,0 quando recebe a lista de palavras-chave da hora inteira como distratores — é a capacidade específica que torna a divisão vantajosa, porque é a única coisa que o viés por prompt de prefixo do Whisper não faz nem de perto tão bem.

O custo dessa divisão é infraestrutura duplicada e dois formatos de saída: o SOV-Transcribe-1 retorna uma string de transcrição, o Whisper retorna texto mais blocos com carimbo de data/hora, e tudo o que vem depois precisa aceitar ambos. Na prática, a maioria das equipes normaliza para seu próprio esquema de transcrição na fronteira e deixa de se importar com qual modelo o produziu.

O que acontece depois da transcrição é a parte que escala com o volume, e é aí que um roteador se encaixa, em vez de um segundo fornecedor de fala: o OrcaRouter coloca mais de 200 modelos de texto, imagem e vídeo atrás de uma única chave com os preços de tabela do provedor e 0% de margem, para que o sumarizador, indexador ou classificador que consome qualquer uma das transcrições possa ser substituído ou alternado por failover sem um novo contrato — e um corte de preço do fornecedor para esse modelo entra em vigor aqui no mesmo dia. Nem o Whisper Large v3 Turbo nem o SOV-Transcribe-1 são servidos por meio dele; ambos são pesos que você mesmo executa, e o roteamento começa com o texto que eles emitem.

O que tornaria esta comparação obsoleta?

Duas coisas, e ambas são plausíveis dentro de um ciclo de lançamento. A primeira é um checkpoint SOV quantizado. A vantagem prática do Whisper Large v3 Turbo é que ele cabe em qualquer lugar; uma build de 4 bits de um modelo de 26,6B ainda exigiria uma GPU parruda, mas um lançamento em FP8 ou NVFP4 — do tipo que a NVIDIA disponibilizou no primeiro dia para o Nemotron 3.5 Transcribe — tiraria o modelo da Salesforce da categoria "peça de data center" e o colocaria na de "peça de workstation", derrubando boa parte da objeção à implantação. A Salesforce já publicou uma build MLX de 4 bits, o que sugere a direção.

O segundo item são timestamps e diarização chegando em uma versão pontual. Ambos estão conspicuamente ausentes, ambos são requisitos básicos para produtos de reunião e mídia, e ambos são exatamente o tipo de coisa que uma ficha de modelo v0.2 acrescenta. Se forem entregues, o único motivo restante para usar o Whisper são as cem línguas — e, para uma grande parte das equipes, esse é o único motivo pelo qual o usam hoje.

Até então, a divisão é estável e fácil de justificar: o Whisper Large v3 Turbo continua sendo o padrão correto para qualquer coisa multilíngue, com marcações temporais, de cauda longa ou limitada por CPU, e o SOV-Transcribe-1 é o especialista a que você recorre quando o áudio é em inglês, o vocabulário é conhecido e ninguém vai ler a saída antes que uma máquina o faça.