SOV-Transcribe-1 vs Whisper Large v3 Turbo: Vad två år och 2,3 procentenheter i WER är värda

Whisper Large v3 Turbo är inte en konkurrent till SOV-Transcribe-1 i någon kommersiell mening. Det är den sittande modellen – en MIT-licensierad checkpoint med 809M parametrar som publicerades i oktober 2024, som diskret ligger till grund för en stor andel av alla transkriptionsprodukter som lanserats sedan dess, och som fortfarande finns på hostade slutpunkter för 0,67 USD per tusen minuter. SOV-Transcribe-1 är utmanaren, publicerad av Salesforce den 12 november 2026, med 2,28 % mot Whisper Large v3 Turbos 4,62 % i Artificial Analysis sammanvägda mått. Så frågan är inte vilken modell som är bättre. Det är om en halvering av felkvoten är värd en nedladdning på 53 GB, en GPU på 96 GB och en serveringsstack, när alternativet får plats i minnet på en bärbar dator och kostar småpengar per timme ljud.

Vad två års framsteg faktiskt har gett

Whisper Large v3 Turbo is a pruned Whisper large-v3 with the decoder cut from 32 layers to 4. O​penAI's own model card is disarmingly direct about it: "the exact same model, except that the number of decoding layers have reduced from 32 to 4. As a result, the model is way faster, at the expense of a minor quality degradation." That sentence describes a compression decision, not an architecture.

SOV-Transcribe-1 är den andra typen av förändring. Salesforce behöll en Whisper large-v3-encoder – samma front end – och ersatte den fyralagriga dekodern med en Gemma 4 26B A4B-språkmodell av typen mixture-of-experts bakom en projektor. Ljuduppfattningen ärvs från Whisper. Det som gör ljud till ord är en allmän språkmodell som är trettio gånger så stor som hela Whisper turbo-checkpointen.

• Parametrar – Whisper Large v3 Turbo 809M jämfört med SOV-Transcribe-1 26,6B totalt, 4,6B aktiva.

• Avkodare — 4 Transformer-lager jämfört med en 26B mixture-of-experts med 4,6B aktiva per token.

• Checkpointstorlek — under 2 GB jämfört med cirka 53 GB i BF16.

• Språk — ungefär hundra mot sju. Det här går åt andra hållet, och det går hårt.

• Tidsstämplar – utdata på menings- och ordnivå inbyggt i avkodningsloopen jämfört med ingen dokumenterad.

• Licens — MIT kontra Apache 2.0. Båda är tillåtande; MIT är marginellt enklare.

• Maskinvara – CPU eller ett litet GPU kontra ett kort i RTX PRO 6000-klassen med 96 GB för konfigurationen med draft aktiverat.

Den sista raden är hela argumentet i miniatyr. Den ena modellen körs var som helst; den andra körs på en serverdel som kostar mer än de flesta transkriberingsprojekts hela årliga molnkostnad.

Felaritmetiken ingen gör

Ordfelsfrekvens är en abstraktion tills man omvandlar den till rättelser. Ta en korpus på tusen minuter engelskt tal i samtalshastighet, 150 ord per minut – 150 000 ord. Vid 4,62 % producerar Whisper Large v3 Turbo ungefär 6 900 felaktiga, saknade eller infogade ord. Vid 2,28 % producerar SOV-Transcribe-1 ungefär 3 400. Skillnaden är omkring 3 500 ord som en människa inte behöver hitta och rätta.

Nu prissätter vi rättningen. En noggrann redaktör stämmer av transkriptionen mot ljudet i kanske 200 till 400 ord per minut, så 3 500 färre fel motsvarar någonstans mellan nio och arton minuter sparad mänsklig granskning per tusen minuter ljud. Med en total timkostnad på 30 dollar blir det 4,50 till 9,00 dollar — mot en transkriptionskostnad på 0,67 dollar på den hostade Whisper-sidan.

Den jämförelsen är anledningen till att de flesta team aldrig migrerar. Den mänskliga kostnaden för fel dominerar maskinkostnaden för transkribering med en storleksordning, så en modell som halverar felen borde vara värd tio gånger priset och konkurrerar i praktiken mot ett pris som redan är försumbart. Undantaget är alla pipelines där ingen granskar utdata alls – automatiserad indexering, sökning, analys, sammanfattning som matas vidare – eftersom felen där inte åtgärdas, de fortplantar sig till vad som än läser transkriptionen härnäst, och det är den andra ordningens kostnad som biter.

Indexet som båda poängen bygger på är i sig en blandning – hälften syntetisk agentkonversation, en fjärdedel uppläst riksdagstal, en fjärdedel riktiga resultatkonferenser – och de två modellerna beter sig mycket olika på varje tredjedel. Whisper Large v3 Turbo:s komponenter är 3,52 %, 3,97 % och 7,49 % respektive; SOV-Transcribe-1:s är 1,79 %, 1,50 % och 4,06 %. Gapet är störst för uppläst riksdagstal – 1,50 % mot 3,97 %, en faktor på 2,6 – och minst för resultatkonferenser, där båda modellerna har svårt och gapet är 4,06 % mot 7,49 %. Om din ljudfil är rent uppläst tal är uppgraderingen dramatisk. Om det är stökigt finansiellt ljud med flera talare är båda modellerna dåliga, och den nyare är bara mindre dålig.

Varför Whisper fortfarande vinner fakturan

Börja med den hostade jämförelsen, eftersom det är den de flesta team faktiskt ställs inför. Whisper Large v3 Turbo är tillgänglig för $0,67 per tusen minuter från åtminstone en hostingleverantör på Artificial Analysis-tavlan, vid en uppmätt hastighetsfaktor på 339,5 – det vill säga 339,5 sekunder ljud per sekund i väggklockstid. SOV-Transcribe-1 har inget hostat pris per minut alls. Salesforce publicerade vikter, inte en endpoint, och ingenting på tavlan har en siffra per 1 000 minuter för den.

Så jämförelsen blir dollar mot GPU-timmar, och modellkortet ger ovanligt fullständiga siffror för det. Med inbyggt stöd för vLLM och DFlash-draftmodellen transkriberar ett RTX PRO 6000 Blackwell Server Edition upp till 1 039 sekunder ljud per sekund. Kör man det kortet för fullt i en timme bearbetar det 3,74 miljoner sekunder ljud – 62 340 minuter. Med ett par dollar i timmen för uthyrningen är det i storleksordningen tre cent per tusen minuter ljud, tjugo gånger billigare än den billigaste hostade Whisper-endpointen på listan.

Det talet är verkligt, och det är också det mest missvisande talet i den här artikeln, eftersom det förutsätter att kortet aldrig är inaktivt. Taltranskribering sker i skurar: en backlog anländer över natten, töms, och sedan ligger GPU:n på noll procents utnyttjande i tjugo timmar. Med 1 039 ljudsekunder per sekund klarar ett enda kort av tusen timmar ljud på under en timme. Nästan ingen har tusen timmar ljud per dag. Den ärliga slutsatsen är att självhosting av endera modellen är ett ekonomiskt beslut om utnyttjandegrad, inte om storlek — och att när man väl har bestämt sig för att köra ett kort över huvud taget, är marginalkostnaden för den bättre modellen nära noll.

Tre saker som Whisper gör som den nya modellen inte kan

Språktäckningen är den första punkten, och det är inte ens nära. Whisper Large v3 Turbo:s modellkort listar nära hundra språk, från engelska och mandarin ned till walesiska, maltesiska, hawaiiska, lao och sundanesiska. SOV-Transcribe-1 täcker engelska, franska, tyska, spanska, italienska, portugisiska och nederländska. För alla team vars ljud inte är europeiskt har den här jämförelsen ingen andra akt – Whisper är inte budgetalternativet, det är det enda alternativet av de två.

Tidsstämplar är den andra. Whispers avkodningsloop förutsäger dem inbyggt, och Transformers-pipelinen exponerar dem på menings- eller ordnivå genom ett enda argument; det är så undertexter, kapitelmarkeringar och compliance-sökning har byggts på Whisper i två år. SOV-Transcribe-1:s kort dokumenterar transkribering, styrning av stil och kontextbiasering, men inget om tidsstämplar. Att återvinna dem i efterföljande led innebär att köra en tvingad aligner på utdata, vilket är ännu en modell, ännu ett beroende och ännu en felkälla.

Talöversättning är den tredje. Whisper kan ta ljud på vilket som helst av sina källspråk och direkt generera engelsk text, som en avkodningsuppgift snarare än ett andra steg i pipelinen. SOV-Transcribe-1 transkriberar på det språk som talas. Om du behöver undertexter till en japansk dokumentär klarar Whisper det i ett enda anrop, medan Salesforce-modellen inte kan göra det alls.

Whisper's documented weaknesses deserve equal billing, since they are the strongest argument for moving. O​penAI's own card warns that the model hallucinates — producing text that was not spoken — because it was trained on weakly supervised, noisy data, and that this is worse in low-resource languages. It also notes that the sequence-to-sequence architecture is prone to repetition, only partly mitigated by beam search and temperature fallback. Those are exactly the failure modes that make an unreviewed pipeline dangerous, and they are what two years of architecture work was aimed at.

Hur en riktig migrering ser ut

Nästan ingen ersätter Whisper med SOV-Transcribe-1. Man routar mellan dem, och routningsregeln skriver sig själv utifrån specifikationerna: om ljudet är på engelska eller ett av de sex andra täckta språken, har en enda talare, är under trettio minuter och är entitetstungt skickar man det till den öppna modellen med en ledtrådslista; annars låter man det ligga kvar på Whisper. Salesforces Contextual Earnings-22-resultat – nyckelords-F1 som stiger från 71,9 utan ledtrådar till 96,8 med klippets egna nyckelord, och håller sig på 94,0 när den får hela timmens nyckelordslista som distraktorer – är den specifika förmåga som gör uppdelningen värd att göra, eftersom det är det enda som Whispers prefix-prompt-biasering inte gör nästan lika bra.

Kostnaden för den uppdelningen är duplicerad infrastruktur och två utdataformat: SOV-Transcribe-1 returnerar en transkriptionssträng, Whisper returnerar text plus chunkar med tidsstämplar, och allt nedströms måste acceptera båda. I praktiken normaliserar de flesta team till sitt eget transkriptionsschema vid gränsen och slutar bry sig om vilken modell som producerade det.

Det som händer efter transkriptionen är den del som skalar med volymen, och det är där en router hör hemma snarare än en andra talleverantör: OrcaRouter placerar 200+ text-, bild- och videomodeller bakom en enda nyckel till leverantörens listpris med 0 % påslag, så sammanfattaren, indexeraren eller klassificeraren som använder någon av transkriptionerna kan bytas ut eller redundansväxlas utan ett nytt avtal — och en leverantörs prissänkning på den modellen är aktiv här samma dag. Varken Whisper Large v3 Turbo eller SOV-Transcribe-1 tillhandahålls via den; båda är vikter som du kör själv, och routningen börjar med texten de avger.

Vad skulle göra den här jämförelsen föråldrad?

Två saker, och båda är rimliga inom en releasecykel. Det första är en kvantiserad SOV-checkpoint. Den praktiska fördelen med Whisper Large v3 Turbo är att den får plats var som helst; en 4-bitarsversion av en modell på 26,6B skulle fortfarande kräva en rejäl GPU, men en FP8- eller NVFP4-utgåva – den typ som NVIDIA släppte dag ett för Nemotron 3.5 Transcribe – skulle flytta Salesforce-modellen från ”del för datacenter” till ”del för arbetsstation” och eliminera en stor del av invändningen mot driftsättning. Salesforce har redan publicerat en MLX 4-bitarsversion, vilket antyder riktningen.

Det andra är tidsstämplar och diarisering som kommer i en punktrelease. Båda lyser med sin frånvaro, båda är ett måste för mötes- och medieprodukter, och båda är precis den typ av sak som ett modellkort för v0.2 tillför. Om de kommer på plats är de hundra språken det enda kvarvarande skälet att köra Whisper — och för en stor del av teamen är det det enda skälet till att de kör det nu.

Fram till dess är uppdelningen stabil och lätt att motivera: Whisper Large v3 Turbo förblir rätt standardval för allt flerspråkigt, tidsstämplat, långsvansat eller CPU-bundet, och SOV-Transcribe-1 är specialisten man tar till när ljudet är engelskt, ordförrådet är känt och ingen kommer att läsa utdata innan en maskin gör det.