SOV-Transcribe-1 กับ Nemotron 3.5 Transcribe: ห่างกันสิบห้าวัน และมีเพียงหนึ่งเดียวเท่านั้นที่เป็นผลิตภัณฑ์

ระบบรู้จำเสียงพูดแบบโอเพนเวทเปลี่ยนมือถึงสองครั้งในระยะเวลาสองสัปดาห์ {{1}}NVIDIA เผยแพร่ Nemotron 3.5 Transcribe เมื่อวันที่ 28 ตุลาคม 2026{{/1}}; {{2}}Salesforce เผยแพร่ SOV-Transcribe-1 เมื่อวันที่ 12 พฤศจิกายน{{/2}} บนคะแนนคอมโพสิตของ Artificial Analysis โมเดลที่ใหม่กว่าชนะ: {{3}}SOV-Transcribe-1 ที่ 2.28% AA-WER เทียบกับ Nemotron 3.5 Transcribe ที่ 2.81%{{/3}} นั่นคือคำขายทั้งหมด และมันมีเนื้อหาน้อยกว่าที่เห็น {{4}}NVIDIA มาพร้อมการแยกผู้พูด การประทับเวลาระดับคำ สี่สิบภาษา การบันทึกเสียงยาวหนึ่งชั่วโมง รูปแบบการควอนไทเซชันสามแบบ รายงานทางเทคนิคที่เผยแพร่แล้ว และสแตกสำหรับให้บริการพร้อมคุกกบุ๊ก{{/4}} {{5}}Salesforce ส่งมอบตัวเลขที่ดีที่สุดบนกระดาน และการ์ดโมเดลที่บอกว่ารายงานทางเทคนิคกำลังจะมา{{/5}} หากคุณกำลังเลือกโมเดลเพื่อนำไปใส่ในผลิตภัณฑ์มากกว่าการขึ้นกระดานอันดับ ช่องว่างด้านความแม่นยำไม่ใช่แกนที่สำคัญ

สองสถาปัตยกรรม สองเดิมพันที่แตกต่างกันอย่างสิ้นเชิง

Nemotron 3.5 Transcribe เป็นโมเดลภาษาลูกผสมแบบ mixture-of-experts ของ Mamba-2 และ Transformer — Nemotron 3.5 Lightning 30B A3B — ที่ใช้ parallel expert encoder: ตัวเข้ารหัส ASR แบบ Transformer ขนาดประมาณ 600M พารามิเตอร์ และ speaker encoder แยกต่างหากขนาด 99M พารามิเตอร์ พร้อม CTC head สำหรับการจัดแนว timestamp ทั้งหมดสามหมื่นสี่พันล้านพารามิเตอร์ โดยมี 4.3B พารามิเตอร์ที่ใช้งานอยู่ รวมถึงตัวเข้ารหัสเสียง

SOV-Transcribe-1 ทำงานในทางตรงกันข้าม โดยนำเอ็นโคเดอร์ Whisper large-v3 แบบสำเร็จรูปมาใช้ ต่อโปรเจกเตอร์เข้าไป แล้วส่งผลลัพธ์ให้ตัวถอดรหัส Gemma 4 26B A4B — รวม 26.6B และใช้งานจริง 4.6B ขณะที่ NVIDIA สร้างส่วนหน้าสำหรับเสียงและแนบโมเดลภาษาของตัวเองเข้าไป Salesforce กลับแนบโมเดลภาษาอเนกประสงค์เข้ากับส่วนหน้าสำหรับเสียงที่ทุกคนมีอยู่แล้ว นั่นคือเหตุผลที่ SOV checkpoint มีขนาด 53 GB ใน BF16 และ Nemotron BF16 release ต้องใช้ H100 ขนาด 80 GB: โมเดลของ Salesforce มีน้ำหนักรวมน้อยกว่า และบรรจุอยู่ในรูปแบบที่ยังไม่มีการเผยแพร่เวอร์ชันที่ผ่านการควอนไทซ์

• จำนวนพารามิเตอร์ทั้งหมด — SOV-Transcribe-1 26.6B เทียบกับ Nemotron 3.5 Transcribe 34B โดยทั้งสองรุ่นนับรวมตัวเข้ารหัสเสียงด้วย

• พารามิเตอร์ที่ใช้งานอยู่ — 4.6B เทียบกับ 4.3B ถือว่าเสมอกัน ซึ่งเป็นส่วนที่น่าสนใจ: Salesforce มีอัตราข้อผิดพลาดต่ำกว่า จากชุดพารามิเตอร์ที่ใช้งานอยู่ที่ใหญ่กว่าเล็กน้อย และชุดโดยรวมที่เล็กกว่าอย่างมาก

• ขีดจำกัดเสียง — 30 นาที เทียบกับ 1 ชั่วโมง โดยมีบริบทขนาด 65,536 โทเคนทางฝั่ง NVIDIA

• ภาษา — 7 ภาษายุโรป เทียบกับ 40 ภาษา พร้อมรองรับการสลับภาษาทั่วทั้งเมทริกซ์ Nemotron

• ความแม่นยำ — เฉพาะ BF16 (เราเตอร์ FP32) เทียบกับเช็กพอยต์ BF16, FP8 และ NVFP4 โดยตัวสุดท้ายทำงานบน RTX 5090

• สัญญาอนุญาต — Apache 2.0 เทียบกับ OpenMDW-1.1 Apache เป็นตัวที่ผ่อนปรนกว่าอีกตัวมากจนห่างกันอย่างชัดเจน และสำหรับทีมกฎหมายบางทีม แค่เรื่องนี้เรื่องเดียวก็เพียงพอต่อการตัดสินใจแล้ว

หนึ่งเบนช์มาร์กที่ผู้ขายทั้งสองรายรัน โดยมีตัวเลขที่ไม่ตรงกัน

นี่คือการเปรียบเทียบที่มีประโยชน์ที่สุดในบทความ เพราะเป็นจุดเดียวที่การ์ดโมเดลทั้งสองใบสามารถวางเทียบกันได้บนแบบทดสอบเดียวกัน VoiceCodeBench วัดการถอดความค่าที่มีโครงสร้าง — ที่อยู่อีเมล พาธไฟล์ ตัวระบุ หมายเลขบัญชี — และรายงานตัวชี้วัดสองตัว ได้แก่ canonical token และ entity match ซึ่งคือสัดส่วนของเนื้อหาเป้าหมายที่ถูกกู้คืนมา และอัตราความสำเร็จของงาน ซึ่งคือสัดส่วนของการบันทึกเสียงที่ค่าทุกค่าในเป้าหมายออกมาถูกต้อง

การ์ดของ NVIDIA เผยแพร่ทั้งสองค่า: CTEM 88.53% และ TSR 59.33% พร้อมอัตราความผิดพลาดระดับคำ 8.38% บนชุดข้อมูลนี้ การ์ดของ Salesforce เผยแพร่ตัวเลขสองค่าสำหรับเบนช์มาร์กเดียวกัน: 76.3% ที่ผ่านทุกเอนทิตีเป้าหมาย และ 93.4% ของเอนทิตีที่กู้คืนได้ โดยระบุว่าเป็นอันดับหนึ่งในบรรดาระบบแบบเปิดน้ำหนักและอันดับสองจากทั้งหมด 23 ระบบ ค่าเหล่านี้จับคู่กับ TSR และ CTEM ตามลำดับ และการจับคู่นั้นใช้ไม่ได้ Salesforce อ้างว่าได้ 76.3% ในการผ่านแบบเต็ม ในขณะที่ NVIDIA รายงาน 59.33% บนตัวชี้วัดเดียวกัน และอ้างว่าได้ 93.4% ในการกู้คืนเอนทิตี ในขณะที่ NVIDIA รายงาน 88.53%

มีคำอธิบายแบบบริสุทธิ์ใจอยู่ VoiceCodeBench เป็นลีดเดอร์บอร์ดแบบส่วนตัวที่ดำเนินการโดยบุคคลที่สาม คะแนนมีการทำเวอร์ชันตามช่วงเวลา และผู้ขายทั้งสองรายอาจส่งสแนปช็อตที่แตกต่างกันมา ยังมีคำอธิบายแบบไม่บริสุทธิ์ใจอีกข้อ: หนึ่งในสองตัวเลขถูกนำเสนอด้วยความมั่นใจเกินกว่าที่รายงานของเบนช์มาร์กเองรองรับ สิ่งที่ผู้อ่านสรุปได้นั้นแคบและควรกล่าวให้ชัด — ในเบนช์มาร์กแบบ structured-value เพียงหนึ่งเดียวที่ทั้งสองโมเดลถูกวัดเทียบด้วย โมเดลของ Salesforce ดูจะทำได้ดีกว่าอย่างมีนัยสำคัญในการทำให้ทุกค่าถูกต้อง และขนาดของความได้เปรียบนั้นยังเป็นที่โต้แย้งกันอยู่ที่ห้าถึงสิบเจ็ดจุด ขึ้นอยู่กับว่าคุณอ่านการ์ดของใคร

สิ่งที่ NVIDIA ส่งมอบแต่ Salesforce ไม่ได้ส่งมอบ

ช่องว่างตรงนี้ไม่ได้เพิ่มขึ้นทีละเล็กทีละน้อย สิ่งเหล่านี้คือขีดความสามารถ ไม่ใช่คะแนน และแต่ละอย่างช่วยตัดงานปลายน้ำที่มิฉะนั้นคุณจะต้องสร้างขึ้นมาออกไปหนึ่งส่วน

• การถอดเสียงพร้อมระบุผู้พูด — การประเมินแบบหลายผู้พูดเต็มรูปแบบครอบคลุม AMI, CALLHOME, Mixer 6 และ NOTSOFAR-1 โดยมีค่า cpWER เฉลี่ย 15.80 และผลลัพธ์รายเงื่อนไขลงลึกถึงแต่ละกรณีของไมโครโฟนระยะไกล SOV-Transcribe-1 ไม่ได้ระบุการทำ diarization ไว้เลย

• การประทับเวลาแบบคำ — หัวการจัดแนว CTC ที่คืนข้อความคำพร้อมเวลาเริ่มต้นและสิ้นสุด แผนที่ส่วนการแยกผู้พูด และฟิลด์ข้อผิดพลาดในการจัดแนว การ์ด Salesforce คืนสตริงทรานสคริปต์

• การแปลเสียง การระบุภาษา และการตอบคำถามจากเสียง — เป็นงานแยกกันพร้อมเบนช์มาร์กของตัวเอง รวมถึงการระบุภาษาด้วย FLEURS ที่ได้ 100% ในหลายภาษา SOV-Transcribe-1 ถอดความได้ในเจ็ดภาษา และหยุดอยู่เพียงเท่านั้น

• รายงานทางเทคนิค — เผยแพร่เป็น PDF โดยแจกแจงองค์ประกอบของข้อมูลฝึกโมเดลอย่างละเอียดถึงระดับว่าไลเซนส์ชุดข้อมูลใดมาจากใคร Salesforce ใส่ลิงก์รายงานของตนว่า "เร็วๆ นี้"

• บันไดการควอนไทซ์และคู่มือการเสิร์ฟ — NVFP4 บน Blackwell ระดับผู้บริโภค, เส้นทาง SGLang-Omni, GGML บน Windows แบบเนทีฟ การผสานรวม Salesforce เป็นปลั๊กอิน vLLM ที่ตรึงไว้ที่ 0.32.0 โดยการสนับสนุนจากอัปสตรีมถูกอธิบายว่าเป็นงานที่ยังอยู่ระหว่างดำเนินการ

ข้อแม้อย่างตรงไปตรงมาในรายการนั้นก็คือ ความกว้างและความลึกแลกเปลี่ยนกันและกัน โมเดลที่ฝึกด้วย 40 ภาษาและเจ็ดกลุ่มงานจะกระจายความจุของมันออกไป ขณะที่โมเดลที่ฝึกด้วยเจ็ดภาษายุโรปและการถอดเสียงเพียงอย่างเดียวสามารถใช้ความจุทั้งหมดไปกับสิ่งนั้นได้ ช่องว่างแบบคอมโพสิตที่ 0.53 จุดคือภาพที่การแลกเปลี่ยนนั้นดูเป็นเมื่อมันให้ผลตอบแทนคุ้มค่า

ตัวเลขการเสิร์ฟ โปรดอ่านอย่างละเอียด

ผู้จำหน่ายทั้งสองรายทดสอบบนการ์ดเดียวกัน ซึ่งทำให้การเปรียบเทียบนี้ชัดเจนผิดปกติ — และผิดพลาดได้ง่ายผิดปกติเช่นกัน

• Salesforce, SOV-Transcribe-1 — ประมวลผลเสียงได้สูงถึง 1,039 วินาทีต่อวินาที บน RTX PRO 6000 Blackwell Server Edition หนึ่งการ์ด โดยเปิดใช้งานโมเดลฉบับร่าง DFlash บนบิลด์สำหรับพัฒนาของ vLLM ที่ max_num_seqs=64

• NVIDIA, Nemotron 3.5 Transcribe — ประมวลผลเสียงได้สูงสุด 2,238 วินาทีต่อวินาที บนการ์ดเดียวกันใน NVFP4 พร้อมการถอดรหัสแบบคาดการณ์ของ DFlash2 โดยส่งคืนข้อความถอดเสียงของคลิปความยาว 30 วินาทีได้ใน 0.13 วินาที

ตัวเลขของ NVIDIA มากกว่าสองเท่า และ NVIDIA อธิบายเหตุผลไว้ในการ์ดของตนเองว่า การปรับแต่งเหล่านั้นอยู่ใน Nemotron Transcribe NIM และไม่ได้อยู่ในเวอร์ชันเปิดซอร์ส ซึ่งการ์ดระบุว่าช้ากว่าประมาณสองเท่าและมีไว้สำหรับการพัฒนาโมเดล ดังนั้นการเปรียบเทียบแบบเทียบเท่ากัน — open vLLM กับ open vLLM บนการ์ดเดียว — อยู่ที่ประมาณ 1,119 ต่อ 1,039 ออดิโอ-วินาทีต่อวินาที NVIDIA ยังนำอยู่ประมาณแปดเปอร์เซ็นต์ และนำหน้าในขณะที่เป็นโมเดลที่มีป้ายกำกับผู้พูดและเวลากำกับในสตรีมเอาต์พุตอีกด้วย

สำหรับผู้ซื้อ สิ่งนี้หมายความว่าไม่มีโมเดลไหนที่ถูกซื้อโดยดูจาก throughput ทั้งคู่ทำให้การ์ดสมัยใหม่อิ่มตัว ทั้งคู่ต้องใช้การ์ดเฉพาะ การตัดสินใจคือคุณต้องการเอาต์พุตแบบไหนและดาวน์โหลดตัวไหนมารันได้ และในคำถามข้อที่สอง Nemotron ชนะขาด เพราะเช็กพอยต์ NVFP4 รันได้บนฮาร์ดแวร์ที่มีราคาเพียงเศษเสี้ยวของเซิร์ฟเวอร์พาร์ต 96 GB ขณะที่โมเดลของ Salesforce ไม่มีรีลีสแบบควอนไทซ์ให้รัน

ในกรณีที่ SOV-Transcribe-1 เป็นตัวเลือกที่ดีกว่าอย่างแท้จริง

สามกรณี และกรณีแรกคือกรณีที่ชัดเจน หากภาษาอังกฤษเป็นภาษาและความแม่นยำของเอนทิตีคือผลิตภัณฑ์ {{1}}2.28% เทียบกับ 2.81%{{/1}} บนคอมโพสิตถือเป็นความแตกต่างที่มีนัยสำคัญจริง และด้านที่อ่อนแอที่สุดของโมเดล Salesforce — {{2}}4.06% บน Earnings22-Cleaned{{/2}} — ก็ยังดีกว่าสิ่งที่คอมโพสิตบ่งชี้สำหรับการแข่งขัน บน Contextual Earnings-22 SOV-Transcribe-1 รายงานว่า keyword F1 เพิ่มขึ้นจาก 71.9 เป็น 96.8 ด้วยคำใบ้ของคลิปเอง และคงอยู่ที่ 94.0 เมื่อได้รับรายการคำสำคัญของทั้งชั่วโมงเป็นตัวรบกวน NVIDIA รายงานตัวเลข Contextual Earnings22 ของตนเองในรูปของ word error rate แทนที่จะเป็น F1 จาก 12.54% เมื่อไม่มีบริบท เป็น 9.58% แบบ local ดังนั้นทั้งสองจึงไม่สามารถเปรียบเทียบกันได้โดยตรง — แต่รูปร่างของผลลัพธ์ คือรายการคำใบ้ช่วยได้ และรายการคำใบ้ที่เต็มไปด้วยตัวรบกวนก็ยังช่วยได้ ยังเหมือนกันในทั้งสอง

กรณีที่สองคือเรื่องใบอนุญาต การเทียบ Apache 2.0 กับ OpenMDW-1.1 ไม่ใช่แค่พิธีการสำหรับบริษัทที่การตรวจสอบทางกฎหมายมีมุมมองต่อ derived works หากคุณตั้งใจจะ fine-tune และเผยแพร่ต่อ หรือจะฝังโมเดลไว้ในผลิตภัณฑ์ที่คุณจัดจำหน่าย เส้นทาง Apache ก็ใช้เวลาสั้นกว่า

ข้อที่สามคือความเรียบง่ายของขอบเขต โมเดลที่ทำสิ่งเดียวจะคืนค่าสิ่งเดียว และไปป์ไลน์ที่คาดหวังสตริงทรานสคริปต์นั้นง่ายต่อการทำความเข้าใจมากกว่าอันที่รับออบเจ็กต์แบบมีโครงสร้างซึ่งมีแท็กผู้พูด เวลา และฟิลด์ข้อผิดพลาดในการจัดแนวที่อาจไม่จำเป็น ทีมที่ต้องการเป็นเจ้าของการแยกผู้พูด (diarization) ด้วยตนเอง — เพราะพวกเขามีโมเดล speaker-embedding ที่ไว้วางใจอยู่แล้ว — จะได้อินพุตที่สะอาดกว่าจากโมเดลที่แคบกว่า

การเลือกระหว่าง它们โดยไม่มีกระดานผู้นำ

หากเสียงเป็นการประชุม สายสนทนาที่มีมากกว่าหนึ่งเสียง หรือสิ่งใดก็ตามที่ "ใครเป็นคนพูด" เป็นส่วนหนึ่งของผลลัพธ์ที่ต้องส่งมอบ คำตอบคือ Nemotron 3.5 Transcribe และคำถามเรื่องความแม่นยำก็ไม่ใช่ประเด็นอีกต่อไป — SOV-Transcribe-1 ไม่สามารถสร้างฟิลด์นั้นได้ หากเสียงไม่ใช่ภาษาอังกฤษ ก็ใช้หลักเดียวกันและยิ่งชัดเจนกว่าเดิม หากไฟล์บันทึกยาวเกินสามสิบนาที หรือต้องรันบนฮาร์ดแวร์ที่เล็กกว่าการ์ดสำหรับศูนย์ข้อมูล ก็ NVIDIA อีกเช่นกัน

หากไฟล์เสียงเป็นภาษาอังกฤษ มีผู้พูดเพียงคนเดียว หรือถูกแยกผู้พูดจากต้นทางมาแล้ว มีความยาวน้อยกว่าครึ่งชั่วโมง และสิ่งที่ต้องส่งมอบเป็นข้อความที่มีชื่อเฉพาะถูกต้อง SOV-Transcribe-1 ก็เป็นตัวถอดเสียงที่แม่นยำกว่าตัวเลือกที่มีอยู่ในปัจจุบัน และสัญญาอนุญาต Apache ก็ช่วยตัดขั้นตอนการเจรจาต่อรองออกไปได้ นั่นเป็นชุดภาระงานที่แคบกว่าที่การประชาสัมพันธ์ตอนเปิดตัวสื่อไว้ และมันก็เป็นชุดภาระงานที่มีอยู่จริง

ไปป์ไลน์แบบผสมก็เป็นผลลัพธ์ปกติในกรณีนี้เช่นกัน และมันก่อให้เกิดคำถามในทางปฏิบัติที่การ์ดโมเดลทั้งสองไม่ได้กล่าวถึง: อะไรเป็นตัวอ่านถอดความหลังจากนั้น OrcaRouter นำ โมเดลข้อความ รูปภาพ และวิดีโอกว่า 200+ โมเดลมาไว้หลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นตัวสรุปหรือตัวสกัดข้อมูลปลายทางจึงสามารถสลับหรือเฟลโอเวอร์ได้โดยไม่ต้องมีสัญญาที่สอง — มีประโยชน์เมื่อยังอยู่ระหว่างการตัดสินใจว่าแหล่งที่มาของถอดความคืออะไร โมเดลเสียงทั้งสองนี้ไม่ได้ให้บริการผ่านระบบดังกล่าว และเราไม่ได้อ้างว่าเป็นเช่นนั้น การกำหนดเส้นทางเริ่มต้นตรงจุดที่ข้อความเริ่มต้น

สิ่งที่เปลี่ยนไปในช่วงสองสัปดาห์ระหว่างการเปิดตัวทั้งสองครั้งนี้ ไม่ใช่โมเดลใดที่อยู่บนสุดของตาราง open-weight แต่คือตารางนี้ไม่มีคำตอบที่ชัดเจนอีกต่อไป และคำตอบตอนนี้ขึ้นอยู่กับว่าคุณกำลังซื้อระบบถอดเสียง หรือไปป์ไลน์ทรานสคริปต์ NVIDIA ขายอย่างหลัง Salesforce เผยแพร่อย่างแรก และทำได้ยอดเยี่ยมมาก