SOV-Transcribe-1 vs Nemotron 3.5 Transcribe: Femton dagar isär, och bara en av dem är en produkt

Öppen viktbaserad taligenkänning bytte händer två gånger under två veckor. NVIDIA publicerade Nemotron 3.5 Transcribe den 28 oktober 2026; Salesforce publicerade SOV-Transcribe-1 den 12 november. I Artificial Analysis sammanvägda mått vinner den nyare modellen: SOV-Transcribe-1 på 2,28 % AA-WER mot Nemotron 3.5 Transcribe på 2,81 %. Det är hela säljargumentet, och det är tunnare än det verkar. NVIDIA levererade talardiarisering, ordtidsstämplar, fyrtio språk, inspelningar på en timme, tre kvantiseringsformat, en publicerad teknisk rapport och en serveringsstack med en kokbok. Salesforce levererade det bästa numret på tavlan och ett modellkort som säger att den tekniska rapporten kommer. Om du väljer en modell att sätta in i en produkt snarare än på en resultattavla, är noggrannhetsgapet inte den axel som spelar roll.

Två arkitekturer, två helt olika satsningar

Nemotron 3.5 Transcribe är en språkmodell av mixture-of-experts-typ som kombinerar Mamba-2 och Transformer – Nemotron 3.5 Lightning 30B A3B – försedd med en parallell expertkodare: en Transformer-ASR-kodare på cirka 600 miljoner parametrar och en separat talarkodare på 99 miljoner parametrar, plus ett CTC-huvud för tidsstämpelanpassning. Totalt 34 miljarder parametrar, varav 4,3 miljarder aktiva inklusive ljudkodaren.

SOV-Transcribe-1 går åt andra hållet. Den tar en färdig Whisper large-v3-encoder, monterar en projektor och skickar resultatet till en Gemma 4 26B A4B-decoder — 26,6B totalt, 4,6B aktiva. Medan NVIDIA byggde en talfront-end och kopplade på sin egen språkmodell, kopplade Salesforce en allmän språkmodell till en talfront-end som alla redan har. Det är därför SOV-checkpointen är 53 GB i BF16 och Nemotron-versionen i BF16 kräver en H100 på 80 GB: Salesforce-modellen har lägre total vikt, och den har den i ett format där ingen kvantiserad variant har publicerats ännu.

• Totalt antal parametrar — SOV-Transcribe-1 26,6B mot Nemotron 3.5 Transcribe 34B, båda inklusive ljudkodaren.

• Aktiva parametrar – 4,6B mot 4,3B. I praktiken oavgjort, vilket är det intressanta: Salesforce får en lägre felfrekvens från en marginellt större aktiv mängd och en betydligt mindre total sådan.

• Ljudgräns — 30 minuter kontra 1 timme, med en kontext på 65 536 tokens på NVIDIA-sidan.

• Språk – 7 europeiska jämfört med 40, med kodväxling som stöds i hela Nemotron-matrisen.

• Precision – endast BF16 (FP32-router) kontra BF16-, FP8- och NVFP4-checkpoints, varav den sista körs på ett RTX 5090.

• Licens — Apache 2.0 kontra OpenMDW-1.1. Apache är det mer tillåtande av de två med god marginal, och för vissa juridiska team är det ensamt avgörande.

Ett benchmark som båda leverantörerna körde, med siffror som inte stämmer överens

Det här är den mest användbara jämförelsen i artikeln, eftersom det är det enda stället där de två modellkorten kan ställas sida vid sida i samma test. VoiceCodeBench mäter transkribering av strukturerade värden – e-postadresser, filsökvägar, identifierare, kontonummer – och rapporterar två mätvärden: kanonisk token- och entitetsmatchning, som anger hur stor del av målinnehållet som återställdes, och uppgiftsframgångsgrad, som anger andelen inspelningar där varje målvärde blev korrekt.

NVIDIAs modellkort anger båda: 88,53 % CTEM och 59,33 % TSR, plus en ordfelsfrekvens på 8,38 % på uppsättningen. Salesforce modellkort anger två siffror för samma benchmark: 76,3 % som klarar varje målentitet och 93,4 % återfunna entiteter, beskrivet som först bland system med öppna vikter och tvåa av 23 totalt. De motsvarar TSR respektive CTEM, och den mappningen fungerar inte. Salesforce hävdar 76,3 % fullt godkända där NVIDIA rapporterar 59,33 % för samma mått, och hävdar 93,4 % återvinning av entiteter där NVIDIA rapporterar 88,53 %.

Det finns oskyldiga förklaringar. VoiceCodeBench är en privat resultattabell som drivs av en tredje part, poängen versioneras över tid och de två leverantörerna kan ha skickat in olika ögonblicksbilder. Det finns också en inte lika oskyldig: ett av de två numren beskrivs med större säkerhet än benchmarkens egen rapportering ger stöd för. Vad en läsare kan dra för slutsats är begränsat och värt att säga rakt ut – i det enda benchmark för strukturerade värden som båda modellerna mättes mot, verkar Salesforces modell vara betydligt bättre på att få varje värde rätt, och hur stor den fördelen är omtvistas med fem till sjutton poäng beroende på vems kort man läser.

Vad NVIDIA levererade som Salesforce inte gjorde

Gapet här är inte marginellt. Det här är förmågor, inte poäng, och var och en tar bort en del nedströms arbete som du annars skulle behöva bygga.

Talartillskriven transkribering – en fullständig utvärdering med flera talare över AMI, CALLHOME, Mixer 6 och NOTSOFAR-1, med ett genomsnittligt cpWER på 15,80 och resultat per betingelse ända ned till enskilda fall med avlägsen mikrofon. SOV-Transcribe-1 dokumenterar ingen diarisering alls.

• Ordstämplar — ett CTC-justeringshuvud som returnerar ordtext med start- och sluttider, en diariseringssegmentkarta och ett fält för justeringsfel. Salesforce-kortet returnerar en transkriptionssträng.

• Talöversättning, språkidentifiering och frågebesvarande för ljud — separata uppgifter med egna benchmarks, inklusive 100 % FLEURS-språkidentifiering på flera språk. SOV-Transcribe-1 transkriberar på sju språk och stannar där.

• En teknisk rapport – publicerad som en PDF, där träningsdatans sammansättning specificeras ända ner till vilka korpusar som licensierades från vem. Salesforce länkar till sin rapport som "kommer snart".

• En kvantiseringsstege och en kokbok för servering – NVFP4 på konsument-Blackwell, en SGLang-Omni-väg och GGML på native Windows. Salesforce-integrationen är en vLLM-plugin låst till 0.32.0, med upstream-stöd som beskrivs som pågående arbete.

Det ärliga förbehållet på den listan är att bredd och djup konkurrerar med varandra. En modell som tränats på 40 språk och sju uppgiftsfamiljer sprider ut sin kapacitet; en som tränats på sju europeiska språk och enbart transkription kan lägga all sin kapacitet där. Det sammansatta gapet på 0,53 punkter är precis hur den avvägningen ser ut när den lönar sig.

Serveringssiffrorna, läs noga

Båda leverantörerna benchmarkar på samma kort, vilket gör den här jämförelsen ovanligt ren — och ovanligt lätt att få fel.

• Salesforce, SOV-Transcribe-1 – upp till 1 039 sekunder ljud per sekund på en RTX PRO 6000 Blackwell Server Edition, med DFlash-draftmodellen aktiverad, i en vLLM-utvecklingsversion, vid max_num_seqs=64.

• NVIDIA, Nemotron 3.5 Transcribe — upp till 2 238 sekunder ljud per sekund på samma kort i NVFP4 med DFlash2 spekulativ avkodning, och returnerar transkriptionen för ett 30-sekundersklipp på 0,13 sekunder.

NVIDIA-siffran är mer än dubbelt så hög, och NVIDIA förklarar varför i sitt eget kort: dessa optimeringar finns i Nemotron Transcribe NIM och ingår inte i öppen källkods-utgåvan, som kortet beskriver som ungefär dubbelt så långsam och avsedd för modellutveckling. Så jämförelsen på lika villkor – öppen vLLM mot öppen vLLM, på ett och samma kort – är ungefär 1 119 mot 1 039 ljudsekunder per sekund. NVIDIA ligger fortfarande före, med omkring åtta procent, och ligger före samtidigt som det är modellen som har talaretiketter och tidsstämplar i utdataströmmen.

Vad det innebär för en köpare är att ingen av modellerna köps för genomströmning. Båda mättar ett modernt grafikkort; båda kräver ett dedikerat sådant. Beslutet handlar om vilken utdata du behöver och vilken nedladdning du kan köra, och i den andra frågan vinner Nemotron utan tvekan, eftersom en NVFP4-checkpoint körs på hårdvara som kostar en bråkdel av en 96 GB serverkomponent medan Salesforce-modellen inte har någon kvantiserad version att köra.

Där SOV-Transcribe-1 verkligen är det bättre valet

Tre fall, varav det första är det uppenbara. Om engelska är språket och entitetsnoggrannhet är produkten, är 2,28 % mot 2,81 % på det sammansatta måttet en verklig skillnad, och Salesforce-modellens svagaste punkt – 4,06 % på Earnings22-Cleaned – är fortfarande bättre än vad det sammansatta måttet antyder för konkurrensen. På Contextual Earnings-22 rapporterar SOV-Transcribe-1 att nyckelords-F1 stiger från 71,9 till 96,8 med klippets egna ledtrådar och ligger kvar på 94,0 när modellen får hela timmens nyckelordslista som distraktorer. NVIDIA rapporterar sina egna Contextual Earnings22-siffror i ordfelsfrekvens i stället för F1, från 12,54 % utan kontext till 9,58 % lokalt, så de två är inte direkt jämförbara – men resultatets form, att ledtrådslistor hjälper och att ledtrådslistor med många distraktorer fortfarande hjälper, är densamma för båda.

Det andra fallet är licensiering. Apache 2.0 mot OpenMDW-1.1 är inte en formalitet för ett företag vars juridiska granskning har åsikter om derivatverk. Om du avser att finjustera och vidaredistribuera, eller att bädda in modellen i en produkt du levererar, är Apache-vägen kortare.

Det tredje är enkelheten i avgränsningen. En modell som gör en sak returnerar en sak, och en pipeline som förväntar sig en transkriptionssträng är lättare att resonera kring än en som tar emot ett strukturerat objekt med talartaggar, tidsstämplar och ett justeringsfel-fält som den kanske inte behöver. Team som vill äga sin diarisering – eftersom de redan kör en talarinbäddningsmodell som de litar på – får en renare indata från den smalare modellen.

Att välja mellan dem utan en topplista

Om ljudet är ett möte, ett samtal med fler än en röst, eller något där "vem som sade det" ingår i leveransen, är svaret Nemotron 3.5 Transcribe och noggrannhetsfrågan är irrelevant — SOV-Transcribe-1 kan inte producera fältet. Om ljudet är på ett annat språk än engelska gäller samma sak, i ännu högre grad. Om inspelningarna överstiger trettio minuter eller behöver köras på hårdvara som är mindre än ett datacenterkort, är det NVIDIA igen.

Om ljudet är på engelska, har en enda talare eller redan är diariserat i tidigare led, är under en halvtimme och leveransen är text med rätt egennamn i, är SOV-Transcribe-1 den mer exakta transkriberaren som finns tillgänglig i dag, och Apache-licensen eliminerar en förhandling. Det är en snävare uppsättning arbetsbelastningar än lanseringsbevakningen antydde, och det är en verklig sådan.

Blandade pipelines är också det normala utfallet här, och de väcker en praktisk fråga som inget av modellkorten tar upp: vad som läser avskriften efteråt. OrcaRouter sätter 200+ text-, bild- och videomodeller bakom en enda nyckel till leverantörens listpris med 0 % påslag, så att sammanfattaren eller extraheringsverktyget nedströms kan bytas ut eller redundansväxlas utan ett andra avtal – användbart när avskriftens källa fortfarande håller på att bestämmas. Ingen av dessa talmodeller serveras via den, och vi hävdar inte annat; routningen börjar där texten gör det.

Det som har förändrats under de två veckorna mellan dessa två utgåvor är inte vilken modell som ligger högst i tabellen över modeller med öppna vikter. Det är att tabellen inte längre har ett tydligt svar, och att svaret nu beror på om du köper en transkriberare eller en transkriptionspipeline. NVIDIA säljer den andra. Salesforce publicerade den första, och gjorde det extremt bra.