SOV-Transcribe-1 vs GPT Transcribe: ตัวหนึ่งเผยแพร่ผลการทดสอบมาตรฐาน อีกตัวเผยแพร่ราคา
- 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 · 43 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 · 321 tok/s
OpenAI ไม่เคยเผยแพร่อัตราความผิดพลาดระดับคำ (word error rate) สำหรับ GPT Transcribe โมเดลนี้ปรากฏในเอกสาร API ในฐานะสแนปช็อตพร้อมราคาและรายการเอนด์พอยต์ และนั่นคือบันทึกสาธารณะทั้งหมด — ไม่มีตารางความแม่นยำ ไม่มีรายการภาษา ไม่มีการเปรียบเทียบกับรุ่นก่อนหน้า ซึ่งหมายความว่าตัวเลขเดียวที่อ้างอิงได้อย่างมีเหตุผลในการเปรียบเทียบนี้มาจากชุดทดสอบของคนอื่น: Artificial Analysis วัด GPT Transcribe ได้ 3.31% AA-WER เทียบกับ 2.28% ของ SOV-Transcribe-1 โมเดลโอเพนเวตของ Salesforce ที่เผยแพร่เมื่อวันที่ 12 พฤศจิกายน 2026 ความผิดพลาดระดับคำต่างกันเต็มหนึ่งจุด และนั่นคือข้อเท็จจริงที่ไร้ประโยชน์ที่สุดในบทความ ข้อเท็จจริงที่มีประโยชน์คือ GPT Transcribe สตรีมแบบเรียลไทม์ผ่านเซสชัน WebSocket ขณะที่ SOV-Transcribe-1 สตรีมไม่ได้เลย ตัวหนึ่งมีค่าใช้จ่าย $0.0045 ต่อนาที ส่วนอีกตัวต้องใช้ GPU และไม่มีผู้ขายรายใดจะบอกคุณว่าโมเดลแต่ละตัวทำงานอย่างไรกับเสียงของคุณ
สิ่งที่ OpenAI เปิดเผยในเอกสารจริง ๆ
สแนปช็อตนี้มีชื่อว่า gpt-transcribe โดยรองรับไฟล์เสียงที่ประมวลผลเสร็จแล้ว ทรานสคริปต์ไฟล์แบบสตรีม และเทิร์นที่คอมมิตแล้วในเซสชัน Realtime ผ่าน WebSocket — ดังนั้นการสตรีมจึงเป็นความสามารถที่มีเอกสารระบุไว้และมีทรานสปอร์ตของตัวเอง ไม่ใช่แฟล็กบนการเรียกแบบแบตช์ หน้าแคตตาล็อกยังระบุถึงการรองรับบริบทที่ไม่มีโครงสร้าง คำใบ้คีย์เวิร์ด และคำใบ้หลายภาษา ซึ่งเป็นรูปแบบการไบแอสแบบเดียวกับที่ SOV-Transcribe-1 มีให้ผ่านคำสั่ง ราคาที่ระบุไว้คือ $0.0045 ต่อนาทีเสียง ซึ่งคิดเป็น $0.27 ต่อชั่วโมงเสียง และเวอร์ชันของตัวเลขนี้ในทางปฏิบัติคือการถอดเสียงสายที่บันทึกไว้หนึ่งพันชั่วโมงมีค่าใช้จ่าย $270
สิ่งที่ขาดหายไปก็ให้ข้อมูลไม่แพ้กัน หน้าโมเดลให้คะแนนประสิทธิภาพเพียงเป็นป้ายเชิงคุณภาพว่า "Highest" และให้คะแนนความเร็วเป็น "Medium" — ไม่มี WER ไม่มีความแม่นยำแยกตามภาษา ไม่ได้ระบุความยาวเสียงสูงสุดเป็นขีดจำกัดตายตัว และไม่มีตารางประเมินผลที่เปรียบเทียบกับ Whisper โมเดลเสียงรุ่นเก่ากว่าของ OpenAI อย่าง Whisper Large v3 Turbo มีการ์ดโมเดลที่มีส่วนข้อจำกัดและมีงานวิจัยรองรับ GPT Transcribe มีราคา มีรายการ endpoint และมีคำคุณศัพท์สองคำ นั่นไม่ใช่ข้อกล่าวหา — โมเดลระดับโปรดักชันจำนวนมากเปิดตัวโดยไม่เผยแพร่ผลประเมิน — แต่มันเปลี่ยนสิ่งที่ผู้ซื้อตรวจสอบได้ก่อนตัดสินใจ และนี่คือเหตุผลว่าทำไมฮาร์เนสทดสอบอิสระจึงสำคัญตรงนี้มากกว่าในการเปรียบเทียบที่ผู้ขายทั้งสองรายเผยแพร่ผล
ตัวเลขที่อยู่นอกนั้น และน้ำหนักที่มันมีอยู่มากแค่ไหน
Artificial Analysis รัน GPT Transcribe บนคอมโพสิตสามชุดเดียวกันกับที่ใช้กับทุกสิ่งบนบอร์ดนั้น: AA-AgentTalk ที่น้ำหนัก 50%, VoxPopuli-Cleaned ที่ 25%, Earnings22-Cleaned ที่ 25% GPT Transcribe ได้คะแนน 3.31% ฮาร์เนสเดียวกันให้ SOV-Transcribe-1 อยู่ที่ 2.28%
อ่านองค์ประกอบต่าง ๆ ก่อนจะเชื่อช่องว่างนั้น ค่า 2.28% ของ SOV-Transcribe-1 เป็นค่าเฉลี่ยของ 1.79% บนชุดบทสนทนาสังเคราะห์, 1.50% บนเสียงอ่านสุนทรพจน์ในรัฐสภา และ 4.06% บนการประชุมผลประกอบการจริง — ช่วงห่างระหว่างกรณีที่ดีที่สุดกับแย่ที่สุดเกือบสามต่อหนึ่ง หาก GPT Transcribe มีการกระจายคล้ายกัน และไม่มีเหตุผลที่เผยแพร่ไว้ให้คิดเป็นอย่างอื่น ช่องว่างคะแนนคอมโพสิตหนึ่งจุดอาจเป็นช่องว่างสองจุดในการประชุมผลประกอบการ และเป็นความคลาดเคลื่อนจากการปัดเศษบนเสียงอ่าน ไม่มีใครนอก Artificial Analysis รู้ และ Artificial Analysis เผยแพร่ค่าคอมโพสิต ไม่ใช่การแจกแจงรายชุดสำหรับทุกโมเดล
ตัวเลขIndependent ตัวที่สองคือความเร็ว บอร์ดเดียวกันวัด GPT Transcribe ได้ค่าความเร็ว 43.1 นั่นคือประมวลผลเสียง 43.1 วินาทีต่อเวลาจริง 1 วินาที เพื่อเทียบสเกล การวัดเดียวกันให้ Whisper Large v3 Turbo ที่ 339.5 และ Gemini 3.5 Transcribe ที่ 94.4 GPT Transcribe เป็นตัวที่ช้าที่สุดในสี่ตัวโดยทิ้งห่างมาก และหากคุณกำลังถอดเสียงคลังเก็บถาวรแทนที่จะเป็นสายโทรศัพท์ ตัวเลขนั้นคือสิ่งที่กำหนดความลึกของคิวของคุณ
ตัวเลขของโมเดลแบบเปิดมาจากไหน และไปหยุดอยู่ตรงไหน
ค่า 2.28% ของ SOV-Transcribe-1 เป็นค่าที่วัดอย่างอิสระ แต่เกือบทุกอย่างอื่นเกี่ยวกับโมเดลนี้ถูกรายงานโดย Salesforce การ์ดโมเดลอ้างว่ามีอัตราการผ่านครบ 76.3% บน VoiceCodeBench ซึ่งเป็นลีดเดอร์บอร์ดส่วนตัว และมีการกู้คืนเอนทิตี 93.4% บนชุดเดียวกัน; WER เฉลี่ย 8.21% เมื่อทดสอบกับสำเนียงภาษาอังกฤษ 14 สำเนียงบน AppTek Call-Center Dialogues; และ 25.69% บน HALAS ซึ่งเป็นชุดบทสนทนาการประชุมแจ้งผลประกอบการที่เน้นเรื่องแฮลลูซิเนชัน ในบรรดาค่าเหล่านี้ มีเพียงคะแนนคอมโพสิตของ Artificial Analysis เท่านั้นที่บุคคลภายนอกสามารถทำซ้ำได้ในปัจจุบัน รายงานทางเทคนิคถูกลิงก์ไว้โดยระบุว่า "เร็ว ๆ นี้"
การนำเสนอการเปรียบเทียบความแม่นยำอย่างตรงไปตรงมานั้นไม่สมมาตรในแบบที่ทำให้อึดอัด: โมเดลโอเพนมีคะแนนอิสระที่ดีกว่าและมีคำกล่าวอ้างจากผู้ขายจำนวนมากที่ยังไม่ได้ตรวจสอบ ขณะที่โมเดลแบบโฮสต์มีคะแนนอิสระที่แย่กว่าและไม่มีคำกล่าวอ้างจากผู้ขายเลย ไม่ว่าฝ่ายไหนก็ไม่ได้แข็งแกร่ง หากการตัดสินใจของคุณขึ้นอยู่กับความทนทานต่อสำเนียงหรือความแม่นยำของเอนทิตี คุณกำลังเลือกระหว่างสไลด์ของผู้ขายกับความเงียบ และวิธีเดียวที่จะตัดสินเรื่องนี้ได้คือทดลองทั้งสองกับคลิปเสียงของคุณเองสักสองสามร้อยคลิป
สตรีมมิ่งคือความแตกต่างที่ทำให้การสนทนาจบลง
นี่ไม่ใช่ความแตกต่างเพียงเล็กน้อย GPT Transcribe เปิดเซสชันถอดเสียงแบบเรียลไทม์ผ่าน WebSocket และส่งคืนข้อความบางส่วนเมื่อมีเสียงเข้ามา SOV-Transcribe-1 ระบุชัดเจนว่าไม่ใช่แบบสตรีมมิง: มันรับไฟล์บันทึกเสียงที่สมบูรณ์ ยาวได้ถึงสามสิบนาทีของเสียงโมโน 16 kHz และส่งคืนบทถอดเสียงที่สมบูรณ์ ไม่มีโหมดส่งออกบางส่วนให้เปิดใช้งาน และไม่มีการตั้งค่าใดที่ทำให้เกิดโหมดดังกล่าว
สำหรับผลิตภัณฑ์คำบรรยายสด อีเจนต์เสียง ออเวอร์เลย์ช่วยเหลือเอเจนต์ในศูนย์ติดต่อ หรืออะไรก็ตามที่ข้อความถอดเสียงต้องมีอยู่ก่อนผู้พูดจะพูดจบ การเปรียบเทียบก็จบไปแล้วตั้งแต่ยังไม่ทันพูดถึงความแม่นยำ SOV-Transcribe-1 ไม่ใช่ตัวเลือกที่ช้ากว่า แต่ไม่ใช่ตัวเลือกเลย ในทางกลับกัน หากงานคือการถอดเสียงแบบแบตช์ข้ามคืนจากสายที่บันทึกไว้ ซึ่งเป็นปริมาณงานเสียงส่วนใหญ่ขององค์กรจริง ๆ การสตรีมมิ่งคือความสามารถที่คุณจ่ายเงินซื้อแต่จะไม่เรียกใช้เลย และข้อได้เปรียบด้านความแม่นยำ 1.03 จุดก็คือเงินฟรี
ความแตกต่างเชิงโครงสร้างประการที่สองอยู่ใต้ความแตกต่างนั้นลงไป GPT Transcribe เป็น managed endpoint: ชื่อสแนปช็อตถูกกำหนดไว้ตายตัว รูปแบบการตอบสนองเป็นของ OpenAI ที่จะเปลี่ยน และเวอร์ชันที่คุณเรียกใช้ในอีกหนึ่งปีข้างหน้าจะเป็นชื่อเดิมพร้อมการปรับปรุงใด ๆ ที่ถูกส่งมอบอยู่เบื้องหลัง SOV-Transcribe-1 ส่งคืนสตริง transcript เท่านั้นและไม่มีอย่างอื่น — ไม่มีการประทับเวลาเป็นรายคำ ไม่มีป้ายกำกับผู้พูด — ซึ่งเป็นต้นทุนที่แท้จริง แต่มันยังหมายความว่ารูปแบบเอาต์พุตจะเป็นอะไรก็ตามที่โค้ดปลายทางของคุณทำขึ้นจากมัน และ weights ที่คุณดาวน์โหลดมาจะไม่เปลี่ยนไปภายใต้คุณ เว้นแต่คุณจะแทนที่มัน
การเปรียบเทียบต้นทุน พร้อมแสดงวิธีคำนวณ
GPT Transcribe คิดราคาต่อนาทีของเสียงที่ $0.0045 ดังนั้นจึงเท่ากับ $4.50 ต่อหนึ่งพันนาที ซึ่งเป็นตัวเลขเดียวกับที่แสดงอยู่ในบอร์ด Artificial Analysis พอดี ไม่มีการคิดบัญชีเป็นโทเคนที่ต้องจำลอง และไม่มีระดับส่วนลดใด ๆ ที่ระบุไว้ในเอกสาร
ไม่มีตัวเลขต่อนาทีฝั่ง Salesforce ให้วางคู่กัน เพราะไม่มีอะไรให้ซื้อเป็นรายนาที การ์ดนี้เสนอทรูพุตแทน: ด้วยการรองรับ vLLM แบบเนทีฟและโมเดล draft DFlash, RTX PRO 6000 Blackwell Server Edition หนึ่งเครื่องถอดเสียงได้ถึง 1,039 วินาทีของเสียงต่อวินาที และคืนบทถอดเสียงของคลิปความยาวสามสิบวินาทีได้ใน 0.22 วินาที เสียงหนึ่งพันนาทีคือ 60,000 วินาที ดังนั้นด้วยอัตรานี้จึงประมวลผลเสร็จในเวลา GPU ไม่ถึงหนึ่งนาที
เมื่อนำตัวเลขสองตัวมาวางเคียงกัน มันบอกอะไรบางอย่างที่เฉพาะเจาะจง ในราคา $4.50 ต่อพันนาที GPT Transcribe คิดค่าบริการ $4.50 สำหรับปริมาณงานที่โมเดลแบบเปิดทำได้ในเวลาประมาณ 58 วินาทีบนการ์ดหนึ่งใบ RTX PRO 6000 ที่เช่ามีค่าใช้จ่ายอยู่ในหลักหน่วยต่ำ ๆ ต่อชั่วโมง ดังนั้นเส้นทางแบบเปิดจึงถูกกว่าที่ปริมาณงานต่อเนื่องใด ๆ — แต่เฉพาะเมื่อการ์ดถูกใช้งานอยู่ตลอด ที่ปริมาณเสียงสามชั่วโมงต่อสัปดาห์ การ์ดจะว่าง 99% ของเวลา และ API คือคำตอบที่ถูกกว่าเป็นสิบเท่า ก่อนที่ใครจะคิดรวมถึงวิศวกรที่ดูแลปลั๊กอิน vLLM ซึ่งถูกล็อกเวอร์ชันไว้ที่ 0.32.0
ข้อควรระวังสองประการเกี่ยวกับตัวเลข throughput ซึ่งทั้งสองประการมาจาก model card: เป็นการวัดจากบิลด์สำหรับการพัฒนาเมื่อพฤศจิกายน 2026 และจำเป็นต้องใช้ max_num_seqs=64 เพื่อให้การทำโปรไฟล์ช่วงเริ่มต้นอยู่ภายใน 96 GB ของการ์ดหลังจากโหลด draft model แล้ว ค่าเริ่มต้นที่ 1,024 sequence พร้อมกันจะไม่พอดี คุณกำลังกำหนดขนาดเซิร์ฟเวอร์ ไม่ใช่การเรียก endpoint
เส้นทางสายกลาง และจุดที่เราเตอร์เข้ามามีบทบาท
ทีมส่วนใหญ่ที่มาถึงจุดนี้ไม่ได้เลือกอย่างใดอย่างหนึ่ง พวกเขาเก็บ hosted API ไว้สำหรับงานที่ต้องโต้ตอบ และเพิ่ม open model สำหรับงานค้างในคลังจัดเก็บ ซึ่งหมายความว่ามีเส้นทางการถอดเสียงสองเส้นทาง รูปแบบเอาต์พุตสองแบบ และศูนย์ต้นทุนสองแห่ง — แล้วโดยปกติก็มีโมเดลข้อความปลายน้ำหนึ่งตัวที่ต้องสรุป จำแนก หรือค้นคืนข้อมูลจากทั้งสองระบบ
ฮอปสุดท้ายนั้นคือฮอปที่คุ้มค่าที่จะกำหนดเส้นทาง OrcaRouter วาง โมเดลข้อความ รูปภาพ และวิดีโอ 200+ โมเดลไว้หลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นตัวสรุปหรือตัวจำแนกที่อ่านทรานสคริปต์ไม่ว่าอันไหนก็สามารถสลับ เปรียบเทียบ หรือสลับไปใช้ตัวสำรองเมื่อล้มเหลวได้โดยไม่ต้องทำสัญญาใหม่ — และหากผู้ให้บริการลดราคาโมเดลข้อความนั้น การลดราคาจะมีผลในวันเดียวกับที่มีผลบนหน้าอัตราค่าบริการของผู้ให้บริการเอง OrcaRouter ไม่ได้โฮสต์ GPT Transcribe หรือ SOV-Transcribe-1; เราไม่ได้ให้บริการโมเดลเสียงทั้งสองตัวนี้ และการกำหนดเส้นทางเริ่มต้นจากข้อความที่โมเดลเหล่านั้นสร้างขึ้น สิ่งที่ได้จากสิ่งนี้คือการตัดสินใจเรื่องการถอดเสียงจะไม่ถูกผูกติดกับการตัดสินใจเรื่องการวิเคราะห์อีกต่อไป
ใครควรเลือกอันไหน
เลือก GPT Transcribe เมื่อจำเป็นต้องมีข้อความถอดความในขณะที่เสียงยังเล่นอยู่ เมื่อคุณไม่มีความสามารถในการดำเนินงาน GPU และไม่มีความต้องการที่จะสร้างมันขึ้นมา เมื่อปริมาณงานน้อยพอที่ $0.27 ต่อชั่วโมงเสียงจะเป็นเพียงความคลาดเคลื่อนเล็กน้อยเมื่อเทียบกับเวลาของวิศวกร หรือเมื่อคุณเพียงต้องการผู้ให้บริการที่มีสัญญาสนับสนุนอยู่เบื้องหลัง endpoint จงยอมรับช่องว่างความแม่นยำ 1.03 จุดเป็นราคาของสิ่งนั้น และโปรดทราบว่าที่ 43.1x realtime คุณไม่ควรวางแผนที่จะแบ็กฟิลล์คลังขนาดใหญ่ผ่านมัน
เลือก {{1}}SOV-Transcribe-1{{/1}} เมื่อเสียง{{2}}เป็นภาษาอังกฤษเป็นหลัก{{/2}} ใช้เวลาน้อยกว่า {{3}}สามสิบนาที{{/3}} ต่อไฟล์ และต้องใช้{{4}}ย้อนหลัง{{/4}} ไม่ใช่{{5}}ระหว่างเหตุการณ์{{/5}}; เมื่อไฟล์บันทึก{{6}}ออกจากโครงสร้างพื้นฐานของคุณไม่ได้{{/6}}; เมื่อคำศัพท์{{7}}เป็นที่รู้ล่วงหน้า{{/7}} และสามารถส่งต่อเป็น{{8}}รายการคำใบ้{{/8}} โดยที่ {{9}}Salesforce{{/9}} รายงานว่า {{10}}F1{{/10}} ของคำสำคัญเพิ่มขึ้นจาก {{11}}71.9{{/11}} เป็น {{12}}96.8{{/12}} บน {{13}}Contextual Earnings-22{{/13}}; และเมื่อคุณรัน GPU สำหรับงานอื่นอยู่แล้ว ดังนั้น{{14}}ต้นทุนส่วนเพิ่มของการ์ด{{/14}}จึงใกล้{{15}}ศูนย์{{/15}}
สิ่งที่คุณไม่ควรทำคือไปจับผิดที่ 3.31% เทียบกับ 2.28% ตัวเลขสองตัวนั้นมาจากฮาร์เนสเดียว จากการถ่วงน้ำหนักแบบรวมชุดเดียว โดยไม่มีโมเดลไหนเผยแพร่รายละเอียดแยกตามชุดเลย พอจะบอกได้ว่าโมเดลแบบเปิดน่าจะแม่นยำกว่าในภาษาอังกฤษแบบบทสนทนาและคำพูดที่อ่านออกเสียง แต่ไม่พอจะบอกได้ว่ามากน้อยแค่ไหนกับเสียงของคุณ และความสามารถที่ GPT Transcribe มีแต่ SOV-Transcribe-1 ไม่มี — การสตรีม, เอนด์พอยต์แบบ managed, การบอกคำสำคัญและภาษาโดยไม่ต้องมี serving stack, และสัญญากับผู้ขายที่รองรับ uptime — ไม่ได้วัดด้วย WER เลย
