SOV-Transcribe-1 vs GPT Transcribe: Den ena publicerar benchmarks, den andra publicerar ett pris

OpenAI har aldrig publicerat en ordfelsfrekvens för GPT Transcribe. Modellen visas i API-dokumentationen som en snapshot med ett pris och en lista över ändpunkter, och det är hela det offentliga underlaget – ingen träffsäkerhetstabell, ingen språklista, ingen jämförelse med föregångaren. Vilket innebär att den enda försvarbara siffran i den här jämförelsen kommer från någon annans testramverk: Artificial Analysis mäter GPT Transcribe till 3,31 % AA-WER, mot 2,28 % för SOV-Transcribe-1, Salesforce-modellen med öppna vikter som släpptes den 12 november 2026. En hel procentenhet i ordfelsfrekvens skiljer dem åt, och det är den minst användbara uppgiften i artikeln. De användbara fakta är att GPT Transcribe strömmar i realtid via en WebSocket-session och att SOV-Transcribe-1 inte kan strömma alls, att den ena kostar 0,0045 dollar per minut och den andra kostar en GPU, och att ingen av leverantörerna berättar hur någon av modellerna beter sig med ditt ljud.

Vad O​penAI faktiskt dokumenterar

Snapshoten heter gpt-transcribe. Den hanterar färdiga ljudfiler, strömmade filtranskript och committade turer i Realtime-sessioner över WebSocket – så strömning är en dokumenterad funktion med egen transport, inte en flagga på batchanropet. Katalogsidan noterar också stöd för ostrukturerad kontext, nyckelordstips och flera språktips, vilket är samma typ av bias som SOV-Transcribe-1 erbjuder via instruktioner. Det dokumenterade priset är $0,0045 per ljudminut, vilket blir $0,27 per timme ljud, och praktikerns version av den siffran är att tusen timmar inspelade samtal kostar $270 att transkribera.

Det som saknas är lika informativt. Modellsidan betygsätter prestanda endast med en kvalitativ etikett, "Highest", och hastighet som "Medium" – ingen WER, ingen träffsäkerhet per språk, ingen maximal ljudlängd angiven som hård gräns, ingen utvärderingstabell som jämför den med Whisper. OpenAIs äldre talmodell, Whisper Large v3 Turbo, har ett modellkort med avsnitt om begränsningar och en forskningsartikel bakom sig. GPT Transcribe har ett pris, en endpointlista och två adjektiv. Det är inte en anklagelse – många produktionsmodeller levereras utan publicerade utvärderingar – men det förändrar vad en köpare kan kontrollera innan den bestämmer sig, och det är därför den oberoende testriggen spelar större roll här än i en jämförelse där båda leverantörerna publicerar.

Det yttre numret, och hur mycket vikt det bär

Artificial Analysis kör G​PT Transcribe mot samma sammansatta tre-set-mått som det använder för allt på den resultattavlan: AA-AgentTalk med 50 % vikt, VoxPopuli-Cleaned med 25 %, Earnings22-Cleaned med 25 %. G​PT Transcribe får 3,31 %. Samma testram ger SOV-Transcribe-1 2,28 %.

Läs komponenterna innan du litar på gapet. SOV-Transcribe-1:s 2,28 % är ett genomsnitt av 1,79 % på den syntetiska samtalsuppsättningen, 1,50 % på uppläst parlamentariskt tal och 4,06 % på verkliga resultatsamtal – spridningen mellan dess bästa och sämsta yta är nästan tre till ett. Om GPT Transcribe har en liknande spridning, och det inte finns något publicerat skäl att tro något annat, skulle ett gap på en procentenhet i det sammansatta måttet kunna vara ett gap på två procentenheter i resultatsamtal och ett avrundningsfel i uppläst tal. Ingen utanför Artificial Analysis vet, och Artificial Analysis publicerar sammansatta mått, inte uppdelningar per uppsättning för varje modell.

Den andra oberoende siffran är hastighet. Samma mätning ger G​PT Transcribe en hastighetsfaktor på 43,1 – det vill säga 43,1 sekunder ljud som bearbetas per sekund i realtid. För att sätta det i perspektiv ger samma mätning Whisper Large v3 Turbo 339,5 och G​emini 3.5 Transcribe 94,4. G​PT Transcribe är den långsammaste av de fyra med bred marginal, och om du transkriberar ett arkiv snarare än ett telefonsamtal är det siffran som avgör hur djup din kö blir.

Var den öppna modellens siffror kommer ifrån, och var de tar slut

SOV-Transcribe-1:s 2,28 % är oberoende, men nästan allt annat om den är rapporterat av Salesforce. Modellkortet hävdar 76,3 % fullständig godkännandegrad på VoiceCodeBench, en privat resultattabell, och 93,4 % entitetsåtervinning på samma uppsättning; 8,21 % genomsnittlig WER över fjorton engelska accenter på AppTek Call-Center Dialogues; och 25,69 % på HALAS, en hallucinationsinriktad uppsättning med vinstsamtal. Av dessa är det i dag endast Artificial Analysis-sammansättningen som kan reproduceras av en tredje part. Den tekniska rapporten länkas som "kommer snart".

Den ärliga beskrivningen av noggrannhetsjämförelsen är asymmetrisk på ett obehagligt sätt: den öppna modellen har en bättre oberoende poäng och en stor mängd oreviderade leverantörspåståenden, medan den hostade modellen har en sämre oberoende poäng och inga leverantörspåståenden alls. Ingen av positionerna är stark. Om ditt beslut hänger på accentrobusthet eller entitetsnoggrannhet väljer du mellan en leverantörs presentationsbild och en tystnad, och det enda sättet att avgöra det är att köra båda på några hundra klipp av ditt eget ljud.

Streaming är skillnaden som avslutar samtalet

Det här är inte en nyans. GPT Transcribe öppnar en realtidstransskriptionssession över WebSocket och returnerar delvis text när ljud anländer. SOV-Transcribe-1 är uttryckligen icke-strömmande: den tar en komplett inspelning, upp till trettio minuter 16 kHz mono-ljud, och returnerar en komplett transkription. Det finns inget läge för partiell utdata att aktivera och ingen konfiguration som producerar ett sådant.

För en produkt för direkttextning, en röstagent, ett överlägg för agentstöd i kundtjänst eller vad som helst där transkriptionen måste finnas innan talaren slutar prata är jämförelsen avgjord innan noggrannheten ens diskuteras. SOV-Transcribe-1 är inte ett långsammare alternativ; det är inte ett alternativ. Omvänt: om arbetsbelastningen är nattlig batchtranskribering av inspelade samtal – vilket faktiskt är den största delen av företagens talvolym – är streaming en funktion man skulle betala för och aldrig använda, och noggrannhetsfördelen på 1,03 procentenheter är gratis pengar.

En andra strukturell skillnad ligger under den. G​PT Transcribe är en hanterad endpoint: ögonblicksbildens namn är fast, svarsformatet är O​penAI:s att ändra, och versionen du anropar om ett år är samma namn med vilka förbättringar som än har levererats bakom det. SOV-Transcribe-1 returnerar en transkriptionssträng och inget annat – inga ordtidsstämplar, inga talaretiketter – vilket är en verklig kostnad, men det innebär också att utdataformatet är vad din nedströmskod gör av det, och vikterna du laddade ner förändras aldrig under dig om du inte ersätter dem.

Kostnadsjämförelsen, med uträkningen visad

GPT Transcribe prissätts per ljudminut: 0,0045 USD, alltså 4,50 USD per tusen minuter, vilket är exakt den siffra som Artificial Analysis-tavlan anger. Det finns ingen tokenredovisning att modellera och ingen dokumenterad rabattnivå.

Det finns ingen siffra per minut på Salesforce-sidan att ställa bredvid den, eftersom det inte finns något att köpa per minut. Kortet erbjuder i stället genomströmning: med inbyggt vLLM-stöd och DFlash-draftmodellen transkriberar en RTX PRO 6000 Blackwell Server Edition upp till 1 039 sekunder ljud per sekund och returnerar transkriptionen av ett trettio sekunder långt klipp på 0,22 sekunder. Tusen minuter ljud är 60 000 sekunder, så i den takten avverkas det på under en minut GPU-tid.

Ställda bredvid varandra säger de två siffrorna något specifikt. Till $4,50 per tusen minuter kostar GPT Transcribe $4,50 för det den öppna modellen gör på ungefär 58 sekunder på ett kort. Ett hyrt RTX PRO 6000 går på enstaka dollar i timmen, så den öppna vägen är billigare vid varje varaktig volym — men bara om kortet är upptaget. Med tre timmars ljud i veckan står kortet stilla 99 % av tiden och API:et är det billigare svaret med en faktor tio, innan någon ens räknar in ingenjören som underhåller vLLM-insticksmodulen som är låst till version 0.32.0.

Två förbehåll för genomströmningssiffran, båda från modellkortet. Det är en mätning från ett utvecklingsbygge från november 2026, och den kräver max_num_seqs=64 för att hålla uppstartsprofileringen inom kortets 96 GB när utkastmodellen har laddats. Standardvärdet på 1 024 samtidiga sekvenser får inte plats. Du dimensionerar en server, inte anropar en endpoint.

Medelvägen, och var en router passar in

De flesta team som hamnar här väljer inte ett av dem. De behåller det hostade API:et för allt interaktivt och lägger till den öppna modellen för arkivbackloggen, vilket innebär två transkriberingsvägar, två utdataformat och två kostnadscenter – och sedan, vanligtvis, en textmodell nedströms som måste sammanfatta, klassificera eller göra sökningar över båda.

Det där sista hoppet är det som är värt att routa. OrcaRouter sätter 200+ text-, bild- och videomodeller bakom en enda nyckel till leverantörens listpris med 0 % påslag, så att sammanfattaren eller klassificeraren som läser endera transkriptionen kan bytas ut, jämföras eller redundansväxlas utan ett nytt avtal — och en prissänkning från leverantören på den textmodellen slår igenom samma dag som den slår igenom på leverantörens egen prislista. Den har inte G​PT Transcribe eller SOV-Transcribe-1; ingen av talmodellerna är något vi tillhandahåller, och routningen börjar med texten de producerar. Vad det ger är att beslutet om transkription slutar vara kopplat till beslutet om analys.

Vem ska välja vilken

Välj GPT Transcribe när transkriptet måste finnas medan ljudet fortfarande spelas upp, när du saknar GPU-driftskapacitet och inte har någon lust att bygga det, när volymen är så pass måttlig att $0,27 per ljudtimme är ett avrundningsfel mot ingenjörstid, eller när du helt enkelt behöver en leverantör med ett supportavtal bakom endpointen. Acceptera noggrannhetsgapet på 1,03 punkter som priset för det, och notera att du vid 43,1x realtid inte bör planera att efterfylla ett stort arkiv genom den.

Välj SOV-Transcribe-1 när ljudet är engelskdominerat, under trettio minuter per fil och behövs i efterhand snarare än under tiden; när inspelningarna inte får lämna din infrastruktur; när ordförrådet är känt i förväg och kan lämnas över som en tipslista, där Salesforce rapporterar att nyckelords-F1 stiger från 71,9 till 96,8 på Contextual Earnings-22; och när du redan kör GPU:er för något annat, så att marginalkostnaden för kortet är nära noll.

Det du inte bör göra är att haka upp dig på 3,31 % mot 2,28 %. De två siffrorna kommer från ett och samma testramverk, med en och samma sammansatta viktning, och med en uppdelning per set som inte publicerats för någon av modellerna. De räcker för att säga att den öppna modellen förmodligen är mer träffsäker på engelskt konversationstal och uppläst tal. De räcker inte för att säga hur mycket bättre den är på din ljuddata, och de förmågor som GPT Transcribe har som SOV-Transcribe-1 inte har – streaming, en hanterad endpoint, nyckelords- och språktips utan en serveringsstack, och ett leverantörsavtal bakom drifttiden – mäts inte av WER alls.