SOV-Transcribe-1 против Gemini 3.5 Transcribe: три десятых балла и всё остальное

На речевом лидерборде Artificial Analysis разрыв между двумя моделями составляет 0,32 процентного пункта — SOV-Transcribe-1 с 2,28% AA-WER и Gemini 3.5 Transcribe с 2,60% — и это самый маленький разрыв во всём сравнении. Все остальные различия шире. Gemini 3.5 Transcribe поддерживает более 85 языков против семи, определяет до восьми говорящих, тогда как модель Salesforce не определяет ни одного, выдаёт временные метки на уровне слов и имеет отдельный live-эндпоинт для потоковой передачи. SOV-Transcribe-1 — это открытые веса под Apache 2.0, работает на вашей собственной GPU и принимает список ключевых слов, который измеримо исправляет имена и тикеры. Выбор между ними — это вопрос не точности, а того, покупаете ли вы транскрипт или пайплайн.

Что представляет собой каждый

SOV-Transcribe-1 — первая языковая модель Salesforce с открытыми весами, дополненная речевыми возможностями, опубликованная 12 ноября 2026 года под именем salesforce-sovereign-intelligence/SOV-Transcribe-1: энкодер Whisper large-v3, передающий данные в декодер Gemma 4 26B A4B на основе смеси экспертов, всего 26,6 млрд параметров, из них 4,6 млрд активных, в чекпоинте BF16 размером 53 ГБ. Она работает в непоточном режиме, обрабатывает до 30 минут аудио с частотой 16 кГц за запрос и управляется инструкциями в сообщении пользователя, а не параметрами.

Gemini 3.5 Transcribe — это облачная модель распознавания речи от Google, последнее обновление — август 2026 года; она доступна через Gemini API под именем gemini-3.5-transcribe, а также имеет потоковый аналог по WebSocket под названием gemini-3.5-transcribe-live. За один запрос она принимает аудио длительностью до часа — тридцать минут, если включены диаризация или временные метки, — и возвращает текст с аннотациями к словам. Не нужно скачивать веса и не нужно подбирать конфигурацию сервера.

Разрыв в точности, разложенный на составляющие

AA-WER v2 — это взвешенная составная метрика: AA-AgentTalk — 50%, VoxPopuli-Cleaned — 25%, Earnings22-Cleaned — 25%. Разбивка двух моделей по этим компонентам информативнее, чем итоговый показатель, поскольку преимущество модели Salesforce распределено неравномерно.

• AA-AgentTalk — SOV-Transcribe-1 — 1,79%. Это синтетический разговорный набор с половинным весом, и именно здесь модель Salesforce выглядит strongest всего остального в таблице.

• VoxPopuli-Cleaned — SOV-Transcribe-1: 1,50%. Это парламентская речь, и европейские языки в его обучающей смеси — ровно те, из которых берёт данные этот набор.

• Earnings22-Cleaned — SOV-Transcribe-1 с результатом 4,06%. Реальные звонки о финансовых результатах: имена, тикеры, числа, наложение речи. Самая слабая сторона модели — и при этом наиболее близкая к корпоративному аудио.

Google не публикует разбивку по компонентам для Gemini 3.5 Transcribe на тех же трёх наборах, поэтому честное утверждение таково: композитная оценка отдаёт предпочтение Salesforce с преимуществом 0,32 балла, а картина по отдельным наборам данных для Google публично не видна. Любой, кто заявляет о безоговорочной победе, скажем, на аудио колл-центра, экстраполирует из композитной оценки, наполовину взвешенной в сторону синтетических разговоров.

Где размещённая модель просто впереди

Четыре возможности на стороне Google не имеют аналогов в релизе Salesforce, и каждая из них определяет категорию продукта.

• Языки — более 85 языков с автоматическим определением и переключением кодов в ходе сессии, против семи европейских языков. Если в вашей аудиозаписи есть мандаринский, хинди, арабский или японский, SOV-Transcribe-1 не является кандидатом, и сравнение точности теряет смысл.

• Структура спикеров — диаризация до восьми спикеров, при этом атрибуция для более чем трёх спикеров помечена как экспериментальная. В документации SOV-Transcribe-1 диаризация вообще не упоминается; транскрипт звонка двух человек возвращается как один неразделённый блок текста.

• Временные метки — вывод на уровне отдельных слов в пакетном эндпоинте. Модель Salesforce выдаёт строку транскрипта, поэтому генерацию субтитров или поиск по временным меткам для комплаенса приходится реализовывать на последующих этапах.

• Потоковая передача — выделенный live-эндпоинт с сессиями длительностью десять минут и двунаправленной передачей по WebSocket. SOV-Transcribe-1 явно не поддерживает потоковый режим; режима частичной расшифровки, который можно было бы включить, не существует.

Есть пятое различие, которое является не функцией, а ограничением. В собственной документации Google отмечается, что временные метки на уровне слов снижают точность транскрипции и несовместимы с пользовательским словарём, а диаризация также несовместима со смещением вероятностей в пользу словаря. В размещённой модели вам приходится выбирать, какая возможность нужна для каждого запроса. В модели Salesforce вам приходится выбирать один раз, на уровне «никакой диаризации, никогда».

Где открытая модель лидирует — и не только по счёту

Очевидный ответ — резидентность данных, и для значительной доли покупателей это верный выбор: веса Apache 2.0 на оборудовании под вашим контролем означают, что аудио никогда не покидает пределы организации. Для записей колл-центров в финансовом секторе или здравоохранении это часто является жёстким требованием, а не предпочтением, и ни один облачный API не удовлетворяет ему независимо от WER.

Менее очевидный ответ — биасинг. На Contextual Earnings-22 SOV-Transcribe-1 повышает F1 по ключевым словам с 71,9 без подсказок до 96,8, если дать собственные ключевые слова клипа, и удерживает 94,0, когда передаётся список ключевых слов за полный час, где большинство пунктов — отвлекающие. Gemini тоже предлагает биасинг пользовательского словаря — до 1 000 терминов, при этом лучшие результаты, как сообщается, около 100, — но его нельзя сочетать с диаризацией или временными метками, которые вам также могут понадобиться. Если цель — точность сущностей, обе модели справятся; только одна из них может делать это, одновременно выдавая метки говорящих.

Управление стилем — третий. SOV-Transcribe-1 обучали следовать инструкциям — дословно или с очисткой, цифрами или словами, с сохранением или удалением слов-заполнителей — и Salesforce сообщает о 5,05% WER с учётом предпочтений при заданной инструкции. Эквивалент Google — «Smart transcription»: он охватывает удаление слов-заполнителей и форматирование с учётом намерения, но это режим, а не интерфейс инструкций.

Сравнение затрат, которое действительно имеет значение

Google публикует Gemini 3.5 Transcribe по цене $2.00 за миллион входных аудиотокенов и $12.00 за миллион выходных токенов; на странице цен это пересчитывается примерно в $0.003 за минуту на входе и $0.002 за минуту на выходе, или около $0.005 за минуту в смешанном режиме. На табло Artificial Analysis та же модель указана по цене $5.00 за 1 000 минут. Так или иначе, тысяча минут аудио стоит около пяти долларов.

У SOV-Transcribe-1 нет цены за минуту, потому что Salesforce не продаёт эндпоинт. Сопоставимый показатель — пропускная способность: при нативной поддержке vLLM и черновой модели DFlash одна RTX PRO 6000 Blackwell Server Edition транскрибирует до 1 039 секунд аудио в секунду. При такой скорости одна карта обрабатывает тысячу минут примерно за минуту фактического времени, поэтому точка, в которой решение выгоднее API стоимостью $5 за 1 000 минут, достигается при любом серьёзном объёме — и вовсе не достигается, если вы транскрибируете три часа в неделю и для этого вам пришлось бы арендовать карту почасово.

С этой арифметикой связаны две оговорки. Цифра 1 039 — это результат измерения на development-сборке vLLM от ноября 2026 года при max_num_seqs=64; это также настройка, необходимая для того, чтобы профилирование запуска укладывалось в 96 ГБ после загрузки draft-модели. А интеграция представляет собой плагин, зафиксированный на vLLM 0.32.0, при этом нативная поддержка в upstream описывается как находящаяся в разработке. Вы не просто покупаете GPU; вы поддерживаете стек обслуживания.

Правила принятия решений

Обращайтесь к Gemini 3.5 Transcribe, если верно хотя бы одно из следующего: аудио записано не на одном из семи европейских языков, вам нужны метки говорящих или временные метки в качестве полноценной части выходных данных, вам нужны частичные расшифровки, пока аудио ещё поступает, или ваш объём настолько мал, что GPU никогда не окупится. Дефицит точности в 0,32 пункта — это реальная цена, но цена, измеренная на композитном показателе, наполовину смещённом в сторону синтетических разговоров, и она даёт четыре возможности, которые иначе пришлось бы создавать самостоятельно.

Выбирайте SOV-Transcribe-1, когда аудио преимущественно на английском и насыщено именованными сущностями, когда словарь известен заранее, когда длительность записей меньше тридцати минут и когда «аудио остаётся на нашем оборудовании» — это строка в договоре, а не пожелание. Пакетная ночная транскрибация записанных торговых звонков — это нагрузка, для которой эта модель явно создавалась.

Смешанные среды — обычное дело, и неудобство заключается вовсе не в транскрипции. Оно в том, что транскрипция служит входом для второй модели — суммаризатора, классификатора, QA-агента — и смена этого потребителя означает нового поставщика, новый ключ и новый счёт. OrcaRouter убирает этот шаг: 200+ моделей текста, изображений и видео за одним ключом по прайс-листовым ценам провайдеров с наценкой 0%, поэтому модель, идущую после транскрипта, можно заменить или переключить на резервный вариант без какого-либо вмешательства в конвейер транскрипции. Он не хостит ни одну из речевых моделей и не обязан. Слой транскрипции остаётся на месте; маршрутизация начинается с текста, который производит этот слой.

Единственное, чего не стоит делать, — это принимать разрыв в 0,32 пункта за решающий фактор. Это самое маленькое число в сравнении и для большинства команд — наименее значимое.