SOV-Transcribe-1 vs Gemini 3.5 Transcribe: tre tiondelar av en poäng – och allt annat

På Artificial Analysis speech board skiljer sig de två modellerna med 0,32 procentenheter – SOV-Transcribe-1 ligger på 2,28 % AA-WER och Gemini 3.5 Transcribe på 2,60 % – och det är den minsta skillnaden i hela den här jämförelsen. Allt annat är större. Gemini 3.5 Transcribe täcker över 85 språk mot sju, identifierar upp till åtta talare där Salesforce-modellen inte identifierar någon, ger tidsstämplar på ordnivå och har en separat live-endpoint för streaming. SOV-Transcribe-1 har öppna vikter under Apache 2.0, körs på en GPU som du äger och accepterar en nyckelordslista som mätbart rättar namn och tickers. Att välja mellan dem handlar inte om noggrannhet. Det handlar om huruvida du köper en transkription eller köper en pipeline.

Vad var och en är

{{1}}SOV-Transcribe-1{{/1}} är Salesforces första tal-augmenterade språkmodell med öppna vikter, publicerad den 12 november 2026 som salesforce-sovereign-intelligence/SOV-Transcribe-1: en Whisper large-v3-encoder som matar en Gemma 4 26B A4B mixture-of-experts-dekodare, 26,6B parametrar totalt och 4,6B aktiva, i en 53 GB BF16-checkpoint. Den är icke-strömmande, hanterar upp till 30 minuter 16 kHz-ljud per begäran och styrs av instruktioner i användarmeddelandet i stället för av parametrar.

Gemini 3.5 Transcribe är Googles värdbaserade tal-till-text-modell, senast uppdaterad i augusti 2026 och nåbar via Gemini API som gemini-3.5-transcribe, med en strömmande syskonmodell över WebSocket som heter gemini-3.5-transcribe-live. Den tar emot ljud på upp till en timme per begäran – trettio minuter när diarisering eller tidsstämplar är aktiverade – och returnerar text plus ordannoteringar. Det finns inga vikter att ladda ner och ingen server att dimensionera.

Noggrannhetsgapet, uppdelat

AA-WER v2 är ett viktat sammansatt mått: AA-AgentTalk 50 %, VoxPopuli-Cleaned 25 %, Earnings22-Cleaned 25 %. Att dela upp de två modellerna över dessa komponenter är mer informativt än rubriken, eftersom Salesforce-modellens fördel inte är jämnt fördelad.

• AA-AgentTalk — SOV-Transcribe-1 på 1,79 %. Detta är det halvviktade syntetiska samtalsdatasetet, och det är här Salesforce-modellen är starkast jämfört med allt annat i tabellen.

• VoxPopuli-Cleaned — SOV-Transcribe-1 vid 1,50 %. Läser parlamentariskt tal, och de europeiska språken i dess träningsmix är exakt de som denna uppsättning hämtar från.

• Earnings22-Cleaned — SOV-Transcribe-1 vid 4,06 %. Verkliga resultatsamtal: namn, tickers, siffror, korsprat. Modellens svagaste område, och det som ligger närmast företagsljud.

Google publicerar ingen komponentuppdelning för Gemini 3.5 Transcribe på samma tre datamängder, så det ärliga påståendet är att det sammansatta måttet gynnar Salesforce med 0,32 poäng och att bilden per datamängd för Google inte är offentligt synlig. Alla som hävdar en ren vinst på exempelvis callcenterljud extrapolerar från ett sammansatt mått som är viktat till hälften mot syntetisk konversation.

Där den hostade modellen helt enkelt ligger steget före

Fyra funktioner på Googles sida har ingen motsvarighet i Salesforce-versionen, och var och en avgör en produktkategori.

• Språk – över 85 med automatisk identifiering och kodväxling mitt i sessionen, jämfört med sju europeiska språk. Om din ljudfil innehåller mandarin, hindi, arabiska eller japanska är SOV-Transcribe-1 inte ett alternativ och noggrannhetsjämförelsen är irrelevant.

• {{1}}Talarstruktur{{/1}} — {{2}}diarisering för upp till åtta talare{{/2}}, {{3}}med attribution för fler än tre talare märkt som experimentell{{/3}}. {{4}}SOV-Transcribe-1 dokumenterar ingen diarisering alls{{/4}}; {{5}}ett transkript av ett samtal mellan två personer kommer tillbaka som ett enda odifferentierat textblock{{/5}}.

• Tidsstämplar – utdata på ordnivå från batchslutpunkten. Salesforces modell genererar en transkriptionssträng, så generering av undertexter eller regelefterlevnadssökning via tidsstämpel måste byggas nedströms.

• Strömning – en dedikerad live-slutpunkt med tio minuter långa sessioner och dubbelriktad WebSocket-transport. SOV-Transcribe-1 är uttryckligen icke-strömmande; det finns inget läge för partiell transkription att aktivera.

Det finns en femte skillnad som inte är en funktion utan en begränsning. Googles egen dokumentation uppmärksammar att tidsstämplar på ordnivå försämrar transkriberingens noggrannhet och är inkompatibla med anpassat ordförråd, samt att diarisering inte heller är kompatibel med ordförrådsbiasning. Den värdbaserade modellen tvingar dig att välja vilken funktion du vill ha per begäran. Salesforce-modellen tvingar dig att välja en gång, på nivån "ingen diarisering, någonsin".

Där den öppna modellen ligger före, bortom poängen

Det uppenbara svaret är datalokalisering, och det är rätt svar för en stor andel av köparna: Apache 2.0-vikter på hårdvara som du kontrollerar innebär att ljudet aldrig lämnar byggnaden. För callcenterinspelningar inom finanssektorn eller hälso- och sjukvården är det ofta ett hårt krav snarare än en preferens, och inget värdbaserat API uppfyller det oavsett WER.

Det mindre uppenbara svaret är biasning. På Contextual Earnings-22 höjer SOV-Transcribe-1 F1 för nyckelord från 71,9 utan ledtrådar till 96,8 när den får klippets egna nyckelord, och ligger kvar på 94,0 när den får hela timmens nyckelordslista med de flesta posterna som distraktioner. Gemini erbjuder också anpassad vokabulärbiasning, upp till 1 000 termer med bäst resultat rapporterade runt 100 – men det kan inte kombineras med den diarisering eller de tidsstämplar som du också kan vilja ha. Om entitetsnoggrannhet är produkten kan båda modellerna göra det; bara en av dem kan göra det samtidigt som den också anger talaretiketter.

Stilkontroll är den tredje. SOV-Transcribe-1 tränades för att ta instruktioner – ordagrant kontra rensat, siffror kontra ord, utfyllnadsord behållna eller borttagna – och Salesforce rapporterar 5,05 % preferensmedveten WER med den angivna instruktionen. Googles motsvarighet är "Smart transcription", som täcker borttagning av utfyllnadsord och avsiktsmedveten formatering men är ett läge snarare än en instruktionsyta.

Kostnadsjämförelsen som faktiskt spelar roll

Google publicerar Gemini 3.5 Transcribe till $2,00 per miljon ljudinmatningstokens och $12,00 per miljon utmatningstokens, vilket prissidan omvandlar till ungefär $0,003 per minut in och $0,002 per minut ut, eller cirka $0,005 per minut sammanvägt. Artificial Analysys lista anger samma modell till $5,00 per 1 000 minuter. Hur som helst kostar tusen minuter ljud ungefär fem dollar.

SOV-Transcribe-1 har inget minutpris eftersom Salesforce inte säljer någon slutpunkt. Den jämförbara siffran är genomströmning: med inbyggt vLLM-stöd och DFlash-utkastmodellen transkriberar ett RTX PRO 6000 Blackwell Server Edition upp till 1 039 sekunder ljud per sekund. I den takten avverkar ett enda kort tusen minuter på ungefär en minut verklig tid, så brytpunkten mot ett API som kostar 5 dollar per 1 000 minuter nås vid varje seriös volym – och nås aldrig om du transkriberar tre timmar i veckan och skulle behöva hyra kortet per timme för att göra det.

Två förbehåll hör ihop med den beräkningen. Siffran 1 039 är en mätning från ett vLLM-utvecklingsbygge i november 2026 med max_num_seqs=64, vilket också är inställningen som krävs för att hålla startprofileringen inom 96 GB när draft-modellen har laddats. Och integrationen är en plugin som är låst till vLLM 0.32.0, med inbyggt stöd uppströms beskrivet som pågående arbete. Du köper inte bara en GPU; du underhåller en serving-stack.

Beslutsregler

Använd Gemini 3.5 Transcribe när något av följande stämmer: ljudet inte är på ett av sju europeiska språk, du behöver talaretiketter eller tidsstämplar som förstklassig utdata, du behöver partiella transkript medan ljudet fortfarande anländer, eller din volym är tillräckligt låg för att en GPU aldrig ska betala sig själv. Noggrannhetsunderskottet på 0,32 punkter är en verklig kostnad, men det är en kostnad uppmätt på ett sammansatt mått som till hälften är viktat mot syntetisk konversation, och den köper fyra förmågor som du annars skulle behöva bygga.

Välj SOV-Transcribe-1 när ljudet är engelskdominerat och innehåller många entiteter, när ordförrådet är känt i förväg, när inspelningarna är under trettio minuter och när "ljudet stannar på vår hårdvara" är en rad i ett avtal snarare än en preferens. Satsvis transkribering över natten av inspelade säljsamtal är den arbetsbelastning som den här modellen uppenbart har utformats för.

Blandade miljöer är det vanliga resultatet, och det krångliga är aldrig transkriberingen. Det är att transkriberingen förser en andra modell – en sammanfattare, en klassificerare, en QA-agent – och att byta den konsumenten innebär en ny leverantör, en ny nyckel och en ny faktura. OrcaRouter tar bort det steget: 200+ text-, bild- och videomodeller bakom en enda nyckel till leverantörslistpris med 0 % påslag, så modellen nedströms transkriptet kan bytas ut eller växlas över utan att transkriberingspipelinen berörs överhuvudtaget. Den hostar inte någon av talmodellerna, och det behöver den inte. Transkriberingslagret stannar där det är; routningen börjar med texten det producerar.

Det man absolut inte ska göra är att låta skillnaden på 0,32 punkter bli avgörandet. Den är det minsta talet i jämförelsen och, för de flesta team, det minst betydelsefulla.