SOV-Transcribe-1 против GPT Transcribe: один публикует бенчмарки, другой — цену

OpenAI никогда не публиковала частоту ошибок в словах для GPT Transcribe. В документации API модель указана как snapshot с ценой и списком эндпоинтов — и это всё, что есть в открытом доступе: ни таблицы точности, ни списка языков, ни сравнения с предшественником. А значит, единственное обоснованное число в этом сравнении взято из чужого тестового стенда: Artificial Analysis измеряет GPT Transcribe на уровне 3.31% AA-WER против 2.28% у SOV-Transcribe-1 — модели Salesforce с открытыми весами, выпущенной 12 ноября 2026 года. Их разделяет целый процентный пункт ошибок в словах, и это наименее полезный факт в статье. Полезные факты таковы: GPT Transcribe передаёт поток в реальном времени через сеанс WebSocket, а SOV-Transcribe-1 вообще не поддерживает потоковую передачу; один стоит $0.0045 в минуту, а другой требует GPU; и ни один из поставщиков не расскажет, как та или иная модель поведёт себя на вашем аудио.

Что O​penAI на самом деле документирует

Снимок называется gpt-transcribe. Он обрабатывает завершённые аудиофайлы, транскрипты потоковых файлов и зафиксированные реплики в сессиях Realtime через WebSocket — таким образом, потоковая передача является документированной возможностью с собственным транспортом, а не флагом в пакетном вызове. На странице каталога также отмечается поддержка неструктурированного контекста, ключевых подсказок и нескольких языковых подсказок — та же форма смещения, которую SOV-Transcribe-1 предлагает через инструкции. Указанная цена — $0.0045 за аудиоминуту, что составляет $0.27 за час аудио, а практическая интерпретация этой цифры такова: тысяча часов записанных звонков стоит $270 на транскрибацию.

То, что отсутствует, столь же информативно. Страница модели оценивает производительность лишь качественной меткой «Highest», а скорость — как «Medium»: ни WER, ни точности по языкам, ни максимальной длины аудио, указанной как жёсткое ограничение, ни таблицы оценок, сравнивающей её с Whisper. У более старой речевой модели OpenAI, Whisper Large v3 Turbo, есть карточка модели с разделами об ограничениях и научная статья, лежащая в её основе. У GPT Transcribe есть цена, список эндпоинтов и два прилагательных. Это не обвинение — многие модели для продакшена выпускаются без опубликованных оценок — но это меняет то, что покупатель может проверить прежде, чем принять решение, и именно поэтому независимый испытательный стенд здесь важнее, чем в сравнении, где оба поставщика публикуют данные.

Единственное число снаружи — и какой вес оно несёт.

Artificial Analysis прогоняет G​PT Transcribe через тот же составной набор из трёх наборов, который используется для всего в этой таблице: AA-AgentTalk с весом 50%, VoxPopuli-Cleaned — 25%, Earnings22-Cleaned — 25%. G​PT Transcribe набирает 3,31%. В том же тестовом стенде SOV-Transcribe-1 получает 2,28%.

Прежде чем доверять разрыву, изучите компоненты. 2,28% у SOV-Transcribe-1 — это среднее значение 1,79% на синтетическом разговорном наборе, 1,50% на зачитываемой парламентской речи и 4,06% на реальных конференц-звонках по финансовым результатам; разрыв между его лучшим и худшим результатом составляет почти три к одному. Если у G​PT Transcribe аналогичный разброс — а опубликованных оснований думать иначе нет, — то разрыв в один пункт по композитному показателю может оказаться разрывом в два пункта на конференц-звонках по финансовым результатам и ошибкой округления на зачитываемой речи. Никто за пределами Artificial Analysis этого не знает, а Artificial Analysis публикует композитные показатели, а не разбивку по наборам для каждой модели.

Второй независимый показатель — скорость. На том же стенде G​PT Transcribe показывает коэффициент скорости 43,1 — то есть 43,1 секунды аудио, обрабатываемых за секунду реального времени. Для сравнения, в том же измерении Whisper Large v3 Turbo получает 339,5, а G​emini 3.5 Transcribe — 94,4. G​PT Transcribe — самый медленный из четырёх с большим отрывом, и если вы транскрибируете архив, а не телефонный звонок, именно это число определяет глубину вашей очереди.

Откуда берутся цифры открытой модели — и где они заканчиваются

Показатель SOV-Transcribe-1 в 2,28% независим, но почти все остальные сведения о ней приводятся Salesforce. В карточке модели заявлены доля полных прохождений 76,3% на VoiceCodeBench — закрытом лидерборде — и восстановление сущностей 93,4% на том же наборе; средний WER 8,21% по четырнадцати английским акцентам в AppTek Call-Center Dialogues; и 25,69% на HALAS — наборе звонков о финансовых результатах, ориентированном на галлюцинации. Из них сегодня третья сторона может воспроизвести только композитный показатель Artificial Analysis. Технический отчёт указан как «скоро появится».

Итак, честная формулировка сравнения точности оказывается неудобно асимметричной: у открытой модели выше независимая оценка и есть масса непроверенных заявлений вендора, тогда как у хостируемой модели независимая оценка хуже и заявлений вендора нет вовсе. Ни та, ни другая позиция не сильна. Если ваше решение зависит от устойчивости к акцентам или точности распознавания сущностей, вы выбираете между слайдом вендора и молчанием, и единственный способ это разрешить — прогнать обе модели на нескольких сотнях клипов с вашим собственным аудио.

Стриминг — это то отличие, которое ставит точку в разговоре.

Это не нюанс. GPT Transcribe открывает сеанс транскрипции в реальном времени через WebSocket и возвращает частичный текст по мере поступления аудио. SOV-Transcribe-1 явно работает без потоковой передачи: он принимает полную запись, до тридцати минут монофонического аудио с частотой дискретизации 16 кГц, и возвращает полный транскрипт. Нет режима частичного вывода, который можно было бы включить, и нет конфигурации, которая бы его обеспечивала.

Для продукта с живыми субтитрами, голосового агента, оверлея-подсказки для оператора колл-центра или чего угодно, где транскрипт должен существовать до того, как говорящий закончит говорить, сравнение заканчивается ещё до того, как дело доходит до точности. SOV-Transcribe-1 — не более медленный вариант; это вообще не вариант. И наоборот, если рабочая нагрузка — это ночная пакетная транскрипция записанных звонков (а именно таков основной объём корпоративной речи), стриминг — это возможность, за которую вы бы платили и которой никогда бы не пользовались, а преимущество в точности на 1,03 пункта — это бесплатные деньги.

Под этим скрывается второе структурное различие. GPT Transcribe — это управляемая конечная точка: имя снимка фиксировано, формат ответа вправе менять OpenAI, а версия, которую вы вызовете через год, будет тем же именем, за которым стоят все улучшения, выпущенные к тому моменту. SOV-Transcribe-1 возвращает строку транскрипта и ничего больше — ни временных меток слов, ни меток говорящих. Это реальная плата, но она также означает, что формат вывода определяется тем, что с ним сделает ваш код дальнейшей обработки, а скачанные вами веса никогда не изменятся у вас под ногами, если только вы сами их не замените.

Сравнение затрат с приведёнными расчётами

Цена G​PT Transcribe рассчитывается за минуту аудио: $0.0045, то есть $4.50 за тысячу минут — ровно та цифра, которая указана в таблице Artificial Analysis. Здесь нет токенов, которые нужно было бы учитывать при расчёте, и не задокументирована никакая скидочная ступень.

На стороне Salesforce нет показателя в минуту, который можно было бы поставить рядом, потому что поминутно покупать нечего. Карта вместо этого предлагает пропускную способность: благодаря нативной поддержке vLLM и черновой модели DFlash одна RTX PRO 6000 Blackwell Server Edition расшифровывает до 1 039 секунд аудио в секунду и выдаёт транскрипт 30-секундного фрагмента за 0,22 секунды. Тысяча минут аудио — это 60 000 секунд, поэтому при такой скорости они обрабатываются менее чем за минуту GPU-времени.

Если поставить эти два числа рядом, они скажут кое-что конкретное. При цене $4,50 за тысячу минут G​PT Transcribe стоит $4,50 за то, что открытая модель делает примерно за 58 секунд работы одной карты. Арендованная RTX PRO 6000 обходится в низкие однозначные доллары в час, поэтому открытый путь дешевле при любом устойчивом объёме — но только если карта занята. При трёх часах аудио в неделю карта простаивает 99% времени, и API оказывается в десять раз дешевле, ещё до того, как кто-либо учтёт инженера, который поддерживает плагин vLLM, закреплённый на версии 0.32.0.

Две оговорки к показателю пропускной способности, обе взяты из карточки модели. Это измерение на девелоперской сборке от ноября 2026 года, и для него требуется max_num_seqs=64, чтобы профилирование при запуске укладывалось в 96 ГБ карты после загрузки драфт-модели. Значение по умолчанию в 1,024 одновременных последовательностей не поместится. Вы подбираете конфигурацию сервера, а не вызываете эндпоинт.

Срединный путь и где место роутеру

Большинство команд, которые доходят до этого этапа, не выбирают что-то одно. Они сохраняют хостинговый API для всего интерактивного и добавляют открытую модель для архивного бэклога — а это значит два пути транскрипции, два формата вывода и два центра затрат, а затем, как правило, одна текстовая модель ниже по потоку, которой нужно суммировать, классифицировать или выполнять поиск по обоим.

Именно этот последний хоп и стоит маршрутизировать. OrcaRouter ставит более 200 текстовых моделей, моделей изображений и видео за одним ключом по прайс-листовым ценам провайдера с наценкой 0%, поэтому суммаризатор или классификатор, читающий любую из расшифровок, можно заменить, сравнить или переключить при отказе без нового договора — а снижение цены провайдера на эту текстовую модель появляется в тот же день, что и в карточке самого провайдера. Он не размещает у себя G​PT Transcribe или SOV-Transcribe-1; ни одну из этих речевых моделей мы не предоставляем, и маршрутизация начинается с текста, который они создают. Что это даёт: решение о транскрипции перестаёт быть связанным с решением об анализе.

Кто должен выбирать

Выбирайте G​PT Transcribe, когда транскрипт должен существовать, пока аудио ещё воспроизводится, когда у вас нет вычислительных мощностей для GPU и желания их создавать, когда объём достаточно скромный, чтобы $0,27 за час аудио был пренебрежимо малой величиной на фоне инженерного времени, или когда вам просто нужен поставщик с контрактом на поддержку за этим эндпоинтом. Примите разрыв в точности в 1,03 пункта как цену за это и учтите, что при 43,1x реального времени вам не стоит планировать заливку большого архива через него.

Выбирайте SOV-Transcribe-1, когда в аудио преобладает английский, длительность составляет менее тридцати минут на файл и запись нужна постфактум, а не в реальном времени; когда записи не могут покидать вашу инфраструктуру; когда словарь известен заранее и его можно передать в виде списка подсказок, при этом Salesforce сообщает о росте F1 по ключевым словам с 71.9 до 96.8 на Contextual Earnings-22; а также когда вы уже используете GPU для чего-то другого, так что предельная стоимость карты близка к нулю.

Чего не следует делать, так это придираться к 3,31% против 2,28%. Эти два числа получены на одном испытательном стенде, при одной составной весовой схеме, причём разбивка по наборам не опубликована ни для одной из моделей. Их достаточно, чтобы сказать, что открытая модель, вероятно, точнее на английской разговорной речи и речи, читаемой вслух. Их недостаточно, чтобы сказать, насколько точнее на вашем аудио, а возможности, которые есть у GPT Transcribe и которых нет у SOV-Transcribe-1 — потоковая передача, управляемый эндпоинт, подсказки по ключевым словам и языку без стека обслуживания и контракт с поставщиком, обеспечивающий доступность, — вообще не измеряются WER.