SOV-Transcribe-1 против Nemotron 3.5 Transcribe: разница в пятнадцать дней, и только один из них — продукт

Лидерство среди открытых моделей распознавания речи дважды менялось за две недели. NVIDIA опубликовала Nemotron 3.5 Transcribe 28 октября 2026 года; Salesforce опубликовала SOV-Transcribe-1 12 ноября. В композитном рейтинге Artificial Analysis побеждает более новая модель: SOV-Transcribe-1 с 2,28% AA-WER против 2,81% у Nemotron 3.5 Transcribe. Вот и весь рекламный аргумент, и он слабее, чем кажется. NVIDIA поставила диаризацию спикеров, временные метки слов, сорок языков, записи длительностью один час, три формата квантования, опубликованный технический отчёт и стек для инференса с практическим руководством. Salesforce поставила лучшую цифру в таблице и карточку модели, где сказано, что технический отчёт появится. Если вы выбираете модель для продукта, а не для таблицы лидеров, разрыв в точности — не та ось, которая имеет значение.

Две архитектуры — две совершенно разные ставки

Nemotron 3.5 Transcribe — это гибридная языковая модель со смесью экспертов на основе Mamba-2 и Transformer — Nemotron 3.5 Lightning 30B A3B — с параллельным экспертным энкодером: ASR-энкодером Transformer примерно на 600 млн параметров и отдельным энкодером диктора на 99 млн параметров, а также CTC-головой для выравнивания временных меток. Всего 34 млрд параметров, из них 4,3 млрд активных, включая аудиоэнкодер.

SOV-Transcribe-1 работает наоборот. Он берёт готовый энкодер Whisper large-v3, добавляет проектор и передаёт результат декодеру Gemma 4 26B A4B — 26,6 млрд параметров всего, 4,6 млрд активных. Если NVIDIA создала речевой фронтенд и присоединила к нему собственную языковую модель, то Salesforce присоединила языковую модель общего назначения к речевому фронтенду, который уже есть у всех. Вот почему чекпоинт SOV в BF16 занимает 53 ГБ, а для релиза Nemotron в BF16 нужен H100 с 80 ГБ: модель Salesforce имеет меньший общий вес, причём в формате, для которого пока не опубликован квантованный вариант.

• Всего параметров — SOV-Transcribe-1 26,6 млрд против Nemotron 3.5 Transcribe 34 млрд, причём в обоих случаях учитывается аудиокодер.

• Активные параметры — 4,6 млрд против 4,3 млрд. По сути, ничья, и это самое интересное: Salesforce получает более низкий уровень ошибок при чуть большем наборе активных параметров и существенно меньшем общем.

• Ограничение аудио — 30 минут против 1 часа, с контекстом в 65,536 токенов на стороне NVIDIA.

• Языки — 7 европейских против 40, с поддержкой переключения кода по всей матрице Nemotron.

• Точность — только BF16 (FP32-роутер) против контрольных точек BF16, FP8 и NVFP4, последняя из которых работает на RTX 5090.

• Лицензия — Apache 2.0 против OpenMDW-1.1. Apache с большим отрывом более разрешительна из этих двух, и для некоторых юридических команд уже одно это решает дело.

Один и тот же бенчмарк, который запустили оба производителя, с цифрами, которые не сходятся

Это самое полезное сравнение в статье, потому что только здесь две карточки моделей можно поставить бок о бок в одном и том же тесте. VoiceCodeBench измеряет транскрипцию структурированных значений — адресов электронной почты, путей к файлам, идентификаторов, номеров счетов — и сообщает два показателя: совпадение канонических токенов и сущностей, то есть какая доля целевого содержимого была восстановлена, и долю успешных задач, то есть долю записей, в которых каждое целевое значение оказалось правильным.

Карточка NVIDIA публикует оба показателя: 88,53% CTEM и 59,33% TSR, а также частоту ошибок в словах 8,38% на наборе. Карточка Salesforce публикует два показателя для того же бенчмарка: 76,3% с прохождением всех целевых сущностей и 93,4% восстановленных сущностей; они описаны как первый результат среди систем с открытыми весами и второй из 23 в целом. Эти показатели соответствуют TSR и CTEM соответственно, и такое сопоставление не работает. Salesforce заявляет 76,3% полного прохождения, тогда как NVIDIA сообщает 59,33% по тому же показателю, и заявляет 93,4% восстановления сущностей, тогда как NVIDIA сообщает 88,53%.

Есть невинные объяснения. VoiceCodeBench — это закрыный рейтинг, который ведёт третья сторона, оценки версионируются со временем, и два поставщика могли отправить разные снимки. Есть и не столь невинное: одно из двух чисел описывается с большей уверенностью, чем позволяют собственные отчёты бенчмарка. Вывод, который может сделать читатель, узок, и его стоит сформулировать прямо: в единственном бенчмарке структурированных значений, по которому оценивались обе модели, модель Salesforce, судя по всему, заметно лучше справляется с правильным определением каждого значения, а размер этого преимущества оспаривается в диапазоне от пяти до семнадцати пунктов в зависимости от того, чью карточку вы читаете.

Что NVIDIA выпустила, а Salesforce — нет

Разрыв здесь не является постепенным. Это возможности, а не показатели, и каждая из них устраняет часть последующей работы, которую вам иначе пришлось бы создавать.

• Транскрипция с атрибуцией говорящих — полная многодикторная оценка на наборах AMI, CALLHOME, Mixer 6 и NOTSOFAR-1 со средним cpWER 15.80 и результатами по отдельным условиям вплоть до частных случаев с удалёнными микрофонами. В SOV-Transcribe-1 диаризация вообще не документирована.

• Временные метки слов — головка CTC-выравнивания, возвращающая текст слова с временем начала и окончания, карту сегментов диаризации и поле ошибки выравнивания. Карточка Salesforce возвращает строку транскрипта.

• Перевод речи, определение языка и ответы на вопросы по аудио — отдельные задачи с собственными бенчмарками, включая 100% FLEURS language ID на нескольких языках. SOV-Transcribe-1 транскрибирует на семи языках и на этом останавливается.

• Технический отчёт — опубликованный в формате PDF, с составом обучающих данных, детализированным вплоть до того, какие корпуса и у кого были лицензированы. Salesforce сопровождает ссылку на свой отчёт пометкой «скоро появится».

• Лестница квантизации и кулинарная книга по обслуживанию — NVFP4 на потребительском Blackwell, путь SGLang-Omni, GGML в нативной Windows. Интеграция с Salesforce — это плагин vLLM, закреплённый на версии 0.32.0, а поддержка в upstream описывается как находящаяся в разработке.

Честная оговорка к этому списку состоит в том, что широта и глубина конкурируют друг с другом. Модель, обученная на 40 языках и семи семействах задач, распределяет свою ёмкость; модель, обученная на семи европейских языках и только транскрибировании, может потратить всю её там. Разрыв в композитной оценке в 0,53 балла — это ровно то, как выглядит такой компромисс, когда он окупается.

Цифры порций, читайте внимательно.

Оба производителя проводят тесты на одной и той же карте, что делает это сравнение необычно чистым — и необычно простым для ошибки.

• Salesforce, SOV-Transcribe-1 — до 1 039 секунд аудио в секунду на одной RTX PRO 6000 Blackwell Server Edition, при включённой черновой модели DFlash, на development-сборке vLLM, при max_num_seqs=64.

• NVIDIA, Nemotron 3.5 Transcribe — до 2,238 секунд аудио в секунду на той же карте в NVFP4 со спекулятивным декодированием DFlash2, возвращая транскрипт 30-секундного клипа за 0,13 секунды.

Показатель NVIDIA более чем вдвое выше, и NVIDIA объясняет почему в своей карточке модели: эти оптимизации содержатся в Nemotron Transcribe NIM и отсутствуют в open-source-версии, которую карточка описывает как примерно вдвое более медленную и предназначенную для разработки моделей. Таким образом, сопоставимое сравнение — открытый vLLM против открытого vLLM на одной карте — составляет примерно 1 119 против 1 039 аудиосекунд в секунду. NVIDIA по-прежнему впереди примерно на восемь процентов, и она впереди, при этом являясь моделью с метками говорящих и временными метками в выходном потоке.

Для покупателя это означает, что ни одну из моделей не выбирают по пропускной способности. Обе насыщают современную карту; обеим нужна отдельная. Решение в том, какой результат вам нужен и какую загрузку вы можете запустить, и по второму вопросу Nemotron однозначно побеждает, потому что NVFP4-чекпоинт работает на оборудовании, которое стоит долю от 96-ГБ серверной комплектующей, тогда как для модели Salesforce нет квантованного релиза, который можно было бы запустить.

Где SOV-Transcribe-1 действительно является лучшим выбором

Три случая, и первый — очевидный. Если язык — английский, а продукт — точность сущностей, то 2,28% против 2,81% по композитной оценке — это реальная разница, и самая слабая сторона модели Salesforce — 4,06% на Earnings22-Cleaned — всё равно лучше, чем композитная оценка предполагает для конкурентов. На Contextual Earnings-22 SOV-Transcribe-1 сообщает, что keyword F1 растёт с 71,9 до 96,8 с собственными подсказками клипа и держится на 94,0, когда в качестве отвлекающих факторов дан список ключевых слов за весь час. NVIDIA сообщает свои цифры по Contextual Earnings22 в виде word error rate, а не F1: с 12,54% без контекста до 9,58% локально, поэтому они не поддаются прямому сравнению — но форма результата, что списки подсказок помогают и списки подсказок с большим числом отвлекающих факторов всё ещё помогают, одинакова в обоих случаях.

Второй случай — лицензирование. Противопоставление Apache 2.0 и OpenMDW-1.1 — не формальность для компании, чей юридический отдел имеет мнение о производных произведениях. Если вы собираетесь дообучать и распространять модель или встраивать её в продукт, который выпускаете, путь Apache короче.

Третье — простота области применения. Модель, которая делает одну вещь, возвращает одну вещь, и конвейер, ожидающий строку транскрипта, проще для понимания, чем тот, что получает структурированный объект с метками говорящих, временными метками и полем ошибки выравнивания, которое ему может быть не нужно. Команды, которые хотят самостоятельно управлять диаризацией — потому что у них уже есть проверенная модель встраивания говорящих, — получают более чистый вход от более узкой модели.

Выбор между ними без таблицы лидеров

Если аудио — это совещание, звонок с более чем одним голосом или что-либо, где «кто это сказал» является частью результата, ответ — Nemotron 3.5 Transcribe, и вопрос точности теряет смысл — SOV-Transcribe-1 не может выдать это поле. Если аудио не на английском, действует то же самое, только ещё острее. Если записи длиннее тридцати минут или должны работать на оборудовании меньше, чем карта для дата-центра, снова NVIDIA.

Если аудио на английском языке, говорящий один или диаризация уже выполнена на предыдущем этапе, длительность меньше получаса, а на выходе нужен текст с правильными именами собственными, то SOV-Transcribe-1 — самый точный из доступных сегодня транскрибаторов, а лицензия Apache избавляет от переговоров. Это более узкий набор задач, чем подразумевали материалы о запуске, и он вполне реален.

Смешанные пайплайны — здесь тоже обычный исход, и они поднимают практический вопрос, который не рассматривает ни одна из карточек моделей: что потом читает транскрипт. OrcaRouter помещает более 200 текстовых, графических и видеомоделей за одним ключом по прайс-листу провайдера с наценкой 0%, поэтому суммаризатор или экстрактор ниже по цепочке можно заменить или переключить при сбое без второго контракта — это полезно, когда источник транскрипта еще не выбран. Ни одна из этих речевых моделей не обслуживается через него, и мы не утверждаем обратного; маршрутизация начинается там, где начинается текст.

За две недели между этими двумя релизами изменилось не то, какая модель возглавляет таблицу моделей с открытыми весами. А то, что у этой таблицы больше нет однозначного ответа, и теперь ответ зависит от того, покупаете ли вы транскрайбер или конвейер транскриптов. NVIDIA продаёт второе. Salesforce опубликовал первое — и сделал это чрезвычайно хорошо.