SOV-Transcribe-1 กับ Gemini 3.5 Transcribe: ห่างกันสามในสิบจุด และทุกสิ่งอย่างอื่น
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 226 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 101 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0719 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 82 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 182 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 46 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 139 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 63 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 181 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 138 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 111 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 322 tok/s
บนกระดานจัดอันดับด้านเสียงพูดของ Artificial Analysis โมเดลทั้งสองห่างกัน 0.32 เปอร์เซ็นต์พอยต์ — SOV-Transcribe-1 อยู่ที่ 2.28% AA-WER ส่วน Gemini 3.5 Transcribe อยู่ที่ 2.60% — และนี่คือช่องว่างที่เล็กที่สุดในการเปรียบเทียบทั้งหมดนี้ ช่องว่างอื่น ๆ กว้างกว่านี้ทั้งหมด Gemini 3.5 Transcribe รองรับมากกว่า 85 ภาษา เทียบกับ 7 ภาษา ระบุผู้พูดได้สูงสุดแปดคน ในขณะที่โมเดลของ Salesforce ระบุไม่ได้เลย ให้การประทับเวลาระดับคำ และมีเอนด์พอยต์แบบเรียลไทม์แยกต่างหากสำหรับการสตรีม SOV-Transcribe-1 เป็น open weights ภายใต้ Apache 2.0 รันบน GPU ที่คุณเป็นเจ้าของ และรับรายการคีย์เวิร์ดที่ช่วยให้ชื่อและทิกเกอร์ถูกต้องขึ้นอย่างวัดผลได้ การเลือกระหว่างสองตัวนี้ไม่ใช่คำถามเกี่ยวกับความแม่นยำ แต่เป็นคำถามว่าคุณกำลังซื้อทรานสคริปต์หรือซื้อไปป์ไลน์
แต่ละอย่างคืออะไร
SOV-Transcribe-1 เป็นโมเดลภาษาที่เสริมความสามารถด้านเสียงแบบเปิดน้ำหนักตัวแรกของ Salesforce เผยแพร่เมื่อวันที่ 12 พฤศจิกายน 2026 ในชื่อ salesforce-sovereign-intelligence/SOV-Transcribe-1 โดยใช้ตัวเข้ารหัส Whisper large-v3 ป้อนเข้าสู่ตัวถอดรหัสแบบ mixture-of-experts ขนาด Gemma 4 26B A4B มีพารามิเตอร์ทั้งหมด 26.6B และมีพารามิเตอร์ที่ใช้งานอยู่ 4.6B ในเช็กพอยต์ BF16 ขนาด 53 GB เป็นแบบไม่สตรีมมิ่ง รองรับเสียง 16 kHz ได้นานสูงสุด 30 นาทีต่อคำขอ และควบคุมด้วยคำสั่งในข้อความของผู้ใช้แทนการใช้พารามิเตอร์
Gemini 3.5 Transcribe เป็นโมเดลแปลงเสียงเป็นข้อความแบบโฮสต์ของ Google ซึ่งอัปเดตล่าสุดในเดือนสิงหาคม 2026 และเข้าถึงได้ผ่าน Gemini API ในชื่อ gemini-3.5-transcribe พร้อมรุ่นพี่น้องแบบสตรีมมิงผ่าน WebSocket ชื่อ gemini-3.5-transcribe-live โดยรับเสียงได้นานสูงสุดหนึ่งชั่วโมงต่อคำขอ — สามสิบนาทีเมื่อเปิดใช้การแยกผู้พูดหรือการประทับเวลา — และส่งคืนข้อความพร้อมคำอธิบายประกอบระดับคำ ไม่มีน้ำหนักโมเดลให้ดาวน์โหลดและไม่มีเซิร์ฟเวอร์ให้กำหนดขนาด
ช่องว่างความแม่นยำ เมื่อแยกองค์ประกอบ
AA-WER v2 เป็นค่าองค์ประกอบแบบถ่วงน้ำหนัก: AA-AgentTalk 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25% การแยกสองโมเดลตามองค์ประกอบเหล่านี้ให้ข้อมูลที่เป็นประโยชน์มากกว่าตัวเลขพาดหัว เพราะความได้เปรียบของโมเดล Salesforce ไม่ได้กระจายอย่างสม่ำเสมอ
• {{1}}AA-AgentTalk{{/1}} — {{2}}SOV-Transcribe-1{{/2}} ที่ {{3}}1.79%{{/3}} นี่คือ{{4}}ชุดบทสนทนาสังเคราะห์แบบถ่วงน้ำหนักครึ่งหนึ่ง{{/4}} และเป็นจุดที่{{5}}โมเดล Salesforce{{/5}} แข็งแกร่งที่สุดเมื่อเทียบกับสิ่งอื่นใดบนกระดาน
• VoxPopuli-Cleaned — SOV-Transcribe-1 อยู่ที่ 1.50% อ่านสุนทรพจน์ในรัฐสภา และภาษายุโรปในส่วนผสมการฝึกของมันก็เป็นภาษาเดียวกับที่ชุดข้อมูลนี้นำมาใช้พอดี
• Earnings22-Cleaned — SOV-Transcribe-1 ที่ 4.06% การประชุมผลประกอบการจริง: ชื่อ ตัวย่อหุ้น ตัวเลข และเสียงพูดทับกัน นี่คือด้านที่โมเดลทำได้แย่ที่สุด และเป็นด้านที่ใกล้เคียงกับเสียงระดับองค์กรมากที่สุด
Google ไม่ได้เผยแพร่การแจกแจงองค์ประกอบสำหรับ Gemini 3.5 Transcribe บนชุดข้อมูลสามชุดเดียวกัน ดังนั้นข้อความที่ตรงไปตรงมาคือคะแนนรวมเอนไปทาง Salesforce 0.32 คะแนน และภาพรายชุดข้อมูลของ Google ไม่ปรากฏต่อสาธารณะ ใครก็ตามที่อ้างว่าชนะอย่างชัดเจนใน เช่น เสียงคอลเซ็นเตอร์ กำลังอนุมานเกินขอบเขตจากคะแนนรวมที่ถ่วงน้ำหนักไปทางบทสนทนาสังเคราะห์ถึงครึ่งหนึ่ง
ในจุดที่โมเดลแบบโฮสต์นำหน้าอย่างชัดเจน
ความสามารถสี่ประการฝั่ง Google ไม่มีสิ่งเทียบเคียงในรีลีสของ Salesforce และแต่ละประการเป็นตัวกำหนดประเภทของผลิตภัณฑ์
• ภาษา — มากกว่า 85 ภาษาพร้อมการตรวจจับอัตโนมัติและการสลับภาษาในระหว่างเซสชัน เมื่อเทียบกับเจ็ดภาษายุโรป หากเสียงของคุณมีภาษาจีนกลาง ฮินดี อาหรับ หรือญี่ปุ่น SOV-Transcribe-1 ก็ไม่ใช่ตัวเลือก และการเปรียบเทียบความแม่นยำก็ไม่มีความหมาย
• โครงสร้างผู้พูด — การแยกผู้พูด (diarization) รองรับได้สูงสุดแปดผู้พูด โดยการระบุผู้พูดเกินสามคนจะถูกกำกับว่าเป็นฟีเจอร์ทดลอง SOV-Transcribe-1 ไม่ได้ระบุถึงการแยกผู้พูดไว้เลย; ทรานสคริปต์การโทรแบบสองคนจะออกมาเป็นข้อความบล็อกเดียวที่ไม่มีการแยกความแตกต่าง
• การประทับเวลา — เอาต์พุตระดับคำบนเอนด์พอยต์แบบแบตช์ โมเดลของ Salesforce ส่งออกสตริงถอดความ ดังนั้นการสร้างคำบรรยายหรือการค้นหาตามการประทับเวลาเพื่อการปฏิบัติตามข้อกำหนดจึงต้องสร้างขึ้นในระบบปลายน้ำ
• การสตรีม — ปลายทางไลฟ์โดยเฉพาะที่มีเซสชันละสิบนาทีและการรับส่งข้อมูลแบบสองทิศทางผ่าน WebSocket SOV-Transcribe-1 ไม่รองรับการสตรีมอย่างชัดเจน จึงไม่มีโหมดถอดข้อความบางส่วนให้เปิดใช้งาน
มีความแตกต่างประการที่ห้าที่ไม่ใช่คุณสมบัติ แต่เป็นข้อจำกัด เอกสารของ Google เองระบุว่า การประทับเวลาในระดับคำทำให้ความแม่นยำในการถอดเสียงลดลง และใช้ร่วมกับคำศัพท์กำหนดเองไม่ได้ รวมถึงการแยกผู้พูดก็ใช้ร่วมกับการให้ความสำคัญกับคำศัพท์ไม่ได้เช่นกัน โมเดลแบบโฮสต์ทำให้คุณต้องเลือกความสามารถที่ต้องการในแต่ละคำขอ ส่วนโมเดลของ Salesforce ทำให้คุณต้องเลือกเพียงครั้งเดียว ในระดับที่ว่า "ไม่มีการแยกผู้พูดเลย ตลอดไป"
จุดที่โมเดลแบบเปิดนำหน้า นอกเหนือจากตัวคะแนน
คำตอบที่ชัดเจนคือถิ่นที่อยู่ของข้อมูล และเป็นคำตอบที่ถูกต้องสำหรับผู้ซื้อจำนวนมาก: น้ำหนักโมเดล Apache 2.0 บนฮาร์ดแวร์ที่คุณควบคุมหมายความว่าเสียงไม่เคยออกจากอาคาร สำหรับการบันทึกเสียงคอลเซ็นเตอร์ในบริการทางการเงินหรือการดูแลสุขภาพ นี่มักเป็นข้อกำหนดที่ต้องมีอย่างเคร่งครัดมากกว่าความชอบ และไม่มี API แบบโฮสต์ใดผ่านข้อกำหนดนี้ได้ ไม่ว่า WER จะเป็นเท่าใดก็ตาม
คำตอบที่ชัดเจนน้อยกว่าคือการไบแอส คำตอบที่ชัดเจนน้อยกว่าคือการไบแอส On Contextual Earnings-22, SOV-Transcribe-1 ยก keyword F1 จาก 71.9 เมื่อไม่มีคำใบ้ เป็น 96.8 เมื่อได้รับคำสำคัญของคลิปเอง และคงอยู่ที่ 94.0 เมื่อได้รับรายการคำสำคัญทั้งชั่วโมงโดยมีรายการส่วนใหญ่เป็นตัวรบกวน Gemini ก็มีการไบแอสคำศัพท์แบบกำหนดเองเช่นกัน สูงสุด 1,000 คำ โดยผลลัพธ์ที่ดีที่สุดรายงานไว้ที่ประมาณ 100 คำ แต่ไม่สามารถใช้ร่วมกับการแยกผู้พูดหรือการประทับเวลาที่คุณอาจต้องการด้วยได้ หากความแม่นยำของเอนทิตีคือสิ่งที่ผลิตภัณฑ์ต้องการ ทั้งสองโมเดลทำได้ แต่มีเพียงหนึ่งในนั้นที่ทำได้พร้อมกับแสดงป้ายกำกับผู้พูด
การควบคุมสไตล์เป็นข้อที่สาม SOV-Transcribe-1 ถูกฝึกให้รับคำสั่งได้ — แบบคำต่อคำเทียบกับแบบปรับให้เรียบร้อย ตัวเลขเทียบกับคำ หรือจะเก็บหรือตัดคำเติมออก — และ Salesforce รายงานค่า WER ที่คำนึงถึงความชอบไว้ที่ 5.05% เมื่อมีคำสั่งกำกับ ตัวเทียบเคียงของ Google คือ "Smart transcription" ซึ่งครอบคลุมการลบคำเติมและการจัดรูปแบบที่คำนึงถึงเจตนา แต่เป็นโหมดมากกว่าจะเป็นช่องทางสำหรับสั่งการ
การเปรียบเทียบต้นทุนที่สำคัญจริง ๆ
Google เปิดเผยราคา Gemini 3.5 Transcribe ที่ $2.00 ต่อหนึ่งล้านโทเคนอินพุตเสียง และ $12.00 ต่อหนึ่งล้านโทเคนเอาต์พุต ซึ่งหน้าราคาแปลงเป็นประมาณ $0.003 ต่อนาทีสำหรับอินพุต และ $0.002 ต่อนาทีสำหรับเอาต์พุต หรือประมาณ $0.005 ต่อนาทีแบบรวม กระดานของ Artificial Analysis แสดงโมเดลเดียวกันที่ $5.00 ต่อ 1,000 นาที ไม่ว่าจะทางใด เสียงหนึ่งพันนาทีมีค่าใช้จ่ายประมาณห้าดอลลาร์
SOV-Transcribe-1 ไม่มีราคาต่อ่นาที เพราะ Salesforce ไม่ได้ขายเอนด์พอยต์ ตัวเลขที่เทียบเคียงได้คืออัตราการประมวลผล (throughput): ด้วยการรองรับ vLLM แบบเนทีฟและโมเดล draft DFlash การ์ด RTX PRO 6000 Blackwell Server Edition หนึ่งใบถอดเสียงได้สูงถึง 1,039 วินาทีของเสียงต่อวินาที ด้วยอัตรานี้ การ์ดเพียงใบเดียวประมวลผลครบหนึ่งพันนาทีในเวลาจริงประมาณหนึ่งนาที ดังนั้นจุดคุ้มทุนเมื่อเทียบกับ API ราคา $5 ต่อ 1,000 นาทีจะมาถึงที่ปริมาณการใช้งานระดับจริงจังใด ๆ — และจะไม่มีวันมาถึงเลยหากคุณถอดเสียงสัปดาห์ละสามชั่วโมงและต้องเช่าการ์ดเป็นรายชั่วโมงเพื่อทำสิ่งนั้น
ข้อแม้สองข้อต้องมาคู่กับการคำนวณนั้น ตัวเลข 1,039 เป็นผลการวัดจากบิลด์พัฒนาของ vLLM เมื่อเดือนพฤศจิกายน 2026 โดยใช้ max_num_seqs=64 ซึ่งเป็นค่าตั้งค่าที่จำเป็นเพื่อให้การโปรไฟล์ตอนเริ่มต้นอยู่ในขอบเขต 96 GB หลังจากโหลด draft model แล้ว และการผสานรวมเป็นปลั๊กอินที่ปักหมุดไว้กับ vLLM 0.32.0 โดยมีการระบุว่าการรองรับแบบเนทีฟในอัปสตรีมยังอยู่ระหว่างดำเนินการ คุณไม่ได้แค่ซื้อ GPU เท่านั้น แต่คุณกำลังดูแลสแต็กสำหรับให้บริการอยู่
กฎการตัดสินใจ
เลือกใช้ Gemini 3.5 Transcribe เมื่อเข้าเงื่อนไขใดเงื่อนไขหนึ่งต่อไปนี้: เสียงไม่ได้อยู่ในหนึ่งในเจ็ดภาษายุโรป คุณต้องการป้ายกำกับผู้พูดหรือการประทับเวลาเป็นเอาต์พุตหลัก คุณต้องการบทถอดความบางส่วนขณะที่เสียงยังคงเข้ามา หรือปริมาณงานของคุณต่ำพอที่ GPU จะไม่มีทางคุ้มค่ากับการลงทุน การขาดความแม่นยำ 0.32 จุดเป็นต้นทุนที่แท้จริง แต่มันเป็นต้นทุนที่วัดจากคอมโพสิตที่ถ่วงน้ำหนักครึ่งหนึ่งไปทางบทสนทนาสังเคราะห์ และมันซื้อความสามารถสี่อย่างที่มิฉะนั้นคุณจะต้องสร้างเอง
เลือกใช้ {{1}}SOV-Transcribe-1{{/1}} เมื่อเสียงส่วนใหญ่เป็นภาษาอังกฤษและมีชื่อเฉพาะหนาแน่น เมื่อทราบคำศัพท์ล่วงหน้า เมื่อไฟล์บันทึกมีความยาวต่ำกว่าสามสิบนาที และเมื่อ “{{2}}เสียงยังคงอยู่ในฮาร์ดแวร์ของเรา{{/2}}” เป็นข้อกำหนดในสัญญา ไม่ใช่เพียงความชอบส่วนตัว การถอดเสียงแบบกลุ่มข้ามคืนของสายการขายที่บันทึกไว้คือภาระงานที่โมเดลนี้ออกแบบมาเพื่อรองรับอย่างชัดเจน
ผลลัพธ์ที่พบได้ทั่วไปคือสภาพแวดล้อมแบบผสม และส่วนที่ยุ่งยากไม่เคยอยู่ที่การถอดเสียง แต่คือการที่ผลถอดเสียงถูกป้อนเข้าสู่โมเดลที่สอง — ตัวสรุป ตัวจำแนกประเภท หรือเอเจนต์ QA — และการเปลี่ยนตัวรับผลลัพธ์นั้นหมายถึงผู้ให้บริการรายใหม่ คีย์ใหม่ และใบแจ้งหนี้ใหม่ OrcaRouter ตัดขั้นตอนนั้นออก: โมเดลข้อความ รูปภาพ และวิดีโอ 200+ โมเดลภายใต้คีย์เดียว ในราคาตามรายการของผู้ให้บริการ โดยมีมาร์กอัป 0%, ดังนั้นโมเดลปลายทางที่อยู่ถัดจากผลถอดเสียงสามารถสลับหรือ failover ได้โดยไม่ต้องแตะไปป์ไลน์การถอดเสียงเลย มันไม่ได้โฮสต์โมเดลเสียงใด ๆ และก็ไม่จำเป็นต้องทำเช่นนั้น ชั้นการถอดเสียงยังคงอยู่ที่เดิม ส่วนการกำหนดเส้นทางเริ่มต้นจากข้อความที่มันสร้างขึ้น
สิ่งเดียวที่ไม่ควรทำคือมองช่องว่าง 0.32 คะแนนเป็นตัวตัดสินใจ เพราะมันเป็นตัวเลขที่เล็กที่สุดในการเปรียบเทียบ และสำหรับทีมส่วนใหญ่แล้ว เป็นตัวเลขที่มีผลกระทบน้อยที่สุด
การเปรียบเทียบในบทความนี้1
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
