SOV-Transcribe-1 เทียบกับ Whisper Large v3 Turbo: คุณค่าของสองปีและส่วนต่าง WER 2.3 พอยต์
- 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
Whisper Large v3 Turbo ไม่ใช่คู่แข่งของ SOV-Transcribe-1 ในเชิงพาณิชย์ใด ๆ เลย มันคือผู้เล่นรายเดิมที่ครองตลาด — เช็กพอยต์ขนาด 809M พารามิเตอร์ที่ได้รับอนุญาตแบบ MIT ซึ่งเผยแพร่ในเดือนตุลาคม 2024 และแฝงตัวอยู่เงียบ ๆ ภายใต้ผลิตภัณฑ์ถอดเสียงจำนวนมากที่วางจำหน่ายตั้งแต่นั้นมา และยังปรากฏบนปลายทางที่โฮสต์ไว้ในราคา $0.67 ต่อพันนาที SOV-Transcribe-1 คือผู้ท้าชิง ซึ่งเผยแพร่โดย Salesforce เมื่อวันที่ 12 พฤศจิกายน 2026 ทำคะแนนได้ 2.28% เทียบกับ 4.62% ของ Whisper Large v3 Turbo ในคอมโพสิตของ Artificial Analysis ดังนั้นคำถามจึงไม่ใช่รุ่นไหนดีกว่า หากแต่คือการลดอัตราความผิดพลาดลงครึ่งหนึ่งคุ้มค่ากับการดาวน์โหลด 53 GB, GPU 96 GB และสแต็กสำหรับให้บริการหรือไม่ เมื่อทางเลือกอีกทางหนึ่งพอดีกับหน่วยความจำของแล็ปท็อปและมีค่าใช้จ่ายเพียงไม่กี่เพนนีต่อชั่วโมงเสียง
สองปีแห่งความก้าวหน้าซื้ออะไรมาได้จริง
Whisper Large v3 Turbo คือ Whisper large-v3 ที่ถูกตัดทอน (pruned) โดยตัด decoder จาก 32 เลเยอร์เหลือ 4 เลเยอร์ การ์ดโมเดลของ OpenAI เองก็ระบุตรงไปตรงมาอย่างน่าตกใจว่า: “โมเดลเดียวกันทุกประการ ยกเว้นจำนวน decoding layers ลดลงจาก 32 เหลือ 4 ส่งผลให้โมเดลเร็วขึ้นมาก โดยแลกกับคุณภาพที่ลดลงเล็กน้อย” ประโยคนั้นอธิบายการตัดสินใจด้านการบีบอัด ไม่ใช่สถาปัตยกรรม
SOV-Transcribe-1 คือการเปลี่ยนแปลงอีกแบบหนึ่ง Salesforce ยังคงใช้ตัวเข้ารหัส Whisper large-v3 ซึ่งเป็นส่วนหน้าแบบเดิม และแทนที่ตัวถอดรหัสสี่ชั้นด้วยโมเดลภาษาแบบ mixture-of-experts Gemma 4 26B A4B ที่อยู่หลังโปรเจกเตอร์ การรับรู้เสียงสืบทอดมาจาก Whisper สิ่งที่เปลี่ยนเสียงให้เป็นคำคือโมเดลภาษาทั่วไปที่มีขนาดใหญ่กว่า checkpoint ทั้งหมดของ Whisper turbo ถึงสามสิบเท่า
• พารามิเตอร์ — Whisper Large v3 Turbo 809M เทียบกับ SOV-Transcribe-1 ขนาดรวม 26.6B, ใช้งานจริง 4.6B
• Decoder — เลเยอร์ Transformer 4 ชั้น เทียบกับ mixture-of-experts ขนาด 26B ที่มี 4.6B active ต่อโทเคน
• ขนาดเช็กพอยต์ — ต่ำกว่า 2 GB เทียบกับประมาณ 53 GB ใน BF16
• ภาษา — ประมาณหนึ่งร้อยเทียบกับเจ็ด สิ่งนี้ไปในทางตรงกันข้าม และไปแรงมาก
• การประทับเวลา — เอาต์พุตระดับประโยคและระดับคำที่ฝังอยู่ในลูปการถอดรหัส เทียบกับไม่มีเอกสารระบุไว้
• สัญญาอนุญาต — MIT เทียบกับ Apache 2.0 ทั้งสองเป็นแบบผ่อนปรน; MIT เรียบง่ายกว่าเล็กน้อย
• ฮาร์ดแวร์ — CPU หรือ GPU ขนาดเล็ก เมื่อเทียบกับการ์ดระดับ RTX PRO 6000 ที่มีความจุ 96 GB สำหรับการกำหนดค่าที่เปิดใช้งานดราฟต์
บรรทัดสุดท้ายนั้นคือข้อโต้แย้งทั้งหมดในแบบย่อ โมเดลหนึ่งรันได้ทุกที่ ส่วนอีกโมเดลต้องรันบนชิ้นส่วนเซิร์ฟเวอร์ที่มีราคาสูงกว่าค่าคลาวด์รายปีทั้งหมดของโปรเจกต์ถอดเสียงส่วนใหญ่เสียอีก
การคำนวณข้อผิดพลาดที่ไม่มีใครทำ
อัตราความผิดพลาดระดับคำเป็นเพียงนามธรรม จนกว่าคุณจะแปลงมันเป็นการแก้ไข ลองใช้คลังข้อมูลเสียงพูดภาษาอังกฤษความยาวหนึ่งพันนาทีที่ความเร็วเชิงสนทนา 150 คำต่อนาที ซึ่งเท่ากับ 150,000 คำ ที่ 4.62% Whisper Large v3 Turbo สร้างคำที่ผิด หายไป หรือถูกแทรกเข้ามาประมาณ 6,900 คำ ที่ 2.28% SOV-Transcribe-1 สร้างประมาณ 3,400 คำ ความแตกต่างคือประมาณ 3,500 คำที่มนุษย์ไม่ต้องค้นหาและแก้ไข
ตอนนี้มาคิดต้นทุนการแก้ไขกัน บรรณาธิการที่รอบคอบจะตรวจเทียบถอดความกับเสียงด้วยความเร็วประมาณ 200 ถึง 400 คำต่อนาที ดังนั้นข้อผิดพลาดที่ลดลง 3,500 จุดจึงประหยัดเวลาการตรวจของมนุษย์ได้ประมาณเก้าถึงสิบแปดนาทีต่อเสียงหนึ่งพันนาที ที่อัตราต้นทุนรวม $30 ต่อชั่วโมง คิดเป็น $4.50 ถึง $9.00 — เทียบกับต้นทุนการถอดความในฝั่ง Whisper แบบโฮสต์ที่ $0.67
การเปรียบเทียบนั้นคือเหตุผลที่ทีมส่วนใหญ่ไม่ย้ายระบบเลย ต้นทุนจากความผิดพลาดที่มนุษย์ต้องแบกรับสูงกว่าต้นทุนด้านเครื่องจักรในการถอดเสียงถึงหนึ่งลำดับขนาด ดังนั้นโมเดลที่ลดข้อผิดพลาดได้ครึ่งหนึ่งจึงควรมีมูลค่าสูงกว่าถึงสิบเท่าของราคา และในทางปฏิบัติมันกำลังแข่งขันกับราคาที่แทบไม่มีนัยสำคัญอยู่แล้ว ข้อยกเว้นคือไปป์ไลน์ใดก็ตามที่ไม่มีใครตรวจสอบผลลัพธ์เลย — การจัดทำดัชนีอัตโนมัติ การค้นหา การวิเคราะห์ และการป้อนข้อมูลเพื่อสรุป — เพราะในกรณีนั้นข้อผิดพลาดจะไม่ได้รับการแก้ไข แต่จะแพร่กระจายไปยังสิ่งที่อ่านบทถอดเสียงต่อไป และต้นทุนลำดับที่สองคือสิ่งที่สร้างความเสียหายจริง
ดัชนีที่คะแนนทั้งสองตั้งอยู่นั้นเป็นส่วนผสมในตัวเอง — ครึ่งหนึ่งเป็นบทสนทนาของเอเจนต์สังเคราะห์ หนึ่งในสี่เป็นสุนทรพจน์รัฐสภาที่อ่านออกเสียง และอีกหนึ่งในสี่เป็นการประชุมรายได้จริง — และทั้งสองโมเดลมีพฤติกรรมแตกต่างกันมากในแต่ละหนึ่งในสามส่วนนั้น องค์ประกอบของ Whisper Large v3 Turbo อยู่ที่ 3.52%, 3.97% และ 7.49% ตามลำดับ ส่วนของ SOV-Transcribe-1 อยู่ที่ 1.79%, 1.50% และ 4.06% ช่องว่างกว้างที่สุดในสุนทรพจน์รัฐสภาที่อ่านออกเสียง — 1.50% เทียบกับ 3.97% หรือเป็น 2.6 เท่า — และแคบที่สุดในการประชุมรายได้ ซึ่งทั้งสองโมเดลทำได้ไม่ดีและช่องว่างคือ 4.06% เทียบกับ 7.49% หากออดิโอของคุณเป็นคำพูดอ่านออกเสียงที่สะอาด การอัปเกรดถือว่าชัดเจนมาก หากเป็นออดิโอการเงินแบบหลายผู้พูดที่ยุ่งเหยิง ทั้งสองโมเดลก็แย่ และตัวที่ใหม่กว่าเพียงแค่แย่น้อยกว่าเท่านั้น
ทำไม Whisper ยังคงชนะในใบแจ้งหนี้
เริ่มจากการเปรียบเทียบแบบโฮสต์ เพราะเป็นกรณีที่ทีมส่วนใหญ่ต้องเจอจริง ๆ Whisper Large v3 Turbo มีให้ใช้ในราคา $0.67 ต่อหนึ่งพันนาทีจากผู้ให้บริการโฮสติ้งอย่างน้อยหนึ่งรายบนบอร์ดของ Artificial Analysis ด้วยตัวคูณความเร็วที่วัดได้ 339.5 — นั่นคือเสียง 339.5 วินาทีต่อหนึ่งวินาทีของเวลาจริง SOV-Transcribe-1 ไม่มีราคาแบบโฮสต์ต่อนาทีเลย Salesforce เผยแพร่น้ำหนักโมเดล ไม่ใช่ endpoint และไม่มีสิ่งใดบนบอร์ดที่ระบุตัวเลขต่อ 1,000 นาทีสำหรับมัน
ดังนั้นการเปรียบเทียบจึงกลายเป็นการเทียบระหว่างดอลลาร์กับชั่วโมงการทำงานของ GPU และการ์ดโมเดลนี้ให้ตัวเลขที่ครบถ้วนอย่างผิดปกติสำหรับการเปรียบเทียบดังกล่าว ด้วยการรองรับ vLLM แบบเนทีฟและโมเดลร่าง DFlash การ์ด RTX PRO 6000 Blackwell Server Edition หนึ่งใบสามารถถอดเสียงได้สูงถึง 1,039 วินาทีของเสียงต่อหนึ่งวินาที หากใช้งานการ์ดนี้เต็มกำลังเป็นเวลาหนึ่งชั่วโมง จะประมวลผลเสียงได้ 3.74 ล้านวินาที หรือ 62,340 นาที ด้วยค่าบริการเช่าประมาณสองสามดอลลาร์ต่อชั่วโมง นั่นคิดเป็นประมาณสามเซนต์ต่อเสียงหนึ่งพันนาที ซึ่งถูกกว่าปลายทาง Whisper แบบโฮสต์ที่ถูกที่สุดในตารางถึงยี่สิบเท่า
ตัวเลขนั้นเป็นความจริง และยังเป็นตัวเลขที่ทำให้เข้าใจผิดมากที่สุดในบทความนี้ เพราะมันสมมติว่าการ์ดไม่เคยว่างเลย การถอดเสียงพูดเป็นงานที่มาเป็นช่วง ๆ: งานที่ค้างสะสมมาถึงในตอนกลางคืน ถูกเคลียร์จนหมด แล้วจากนั้น GPU ก็มีอัตราการใช้งานเป็นศูนย์เป็นเวลายี่สิบชั่วโมง ที่ {{1}}1,039 วินาทีเสียงต่อวินาที{{/1}} การ์ดเพียงใบเดียวเคลียร์เสียงหนึ่งพันชั่วโมงได้ในเวลาไม่ถึงหนึ่งชั่วโมง แทบไม่มีใครมีเสียงหนึ่งพันชั่วโมงต่อวัน ข้อสรุปที่ตรงไปตรงมาคือ การโฮสต์โมเดลใดโมเดลหนึ่งด้วยตัวเองเป็นการตัดสินใจทางเศรษฐศาสตร์เกี่ยวกับ{{2}}อัตราการใช้งาน{{/2}} ไม่ใช่เกี่ยวกับขนาด — และเมื่อคุณตัดสินใจจะรันการ์ดสักใบแล้ว ต้นทุนส่วนเพิ่มของโมเดลที่ดีกว่าก็ใกล้ศูนย์
สามสิ่งที่ Whisper ทำได้แต่โมเดลใหม่ทำไม่ได้
ความครอบคลุมของภาษามาเป็นอันดับแรก และไม่ใช่การแข่งขันที่สูสีกันเลย การ์ดโมเดลของ Whisper Large v3 Turbo ระบุภาษาไว้เกือบหนึ่งร้อยภาษา ตั้งแต่อังกฤษและจีนกลาง ไปจนถึงเวลส์ มอลตา ฮาวาย ลาว และซุนดา ขณะที่ SOV-Transcribe-1 รองรับอังกฤษ ฝรั่งเศส เยอรมัน สเปน อิตาลี โปรตุเกส และดัตช์ สำหรับทีมใดก็ตามที่ข้อมูลเสียงไม่ใช่ภาษายุโรป การเปรียบเทียบนี้ไม่มีฉากที่สอง — Whisper ไม่ใช่ตัวเลือกแบบประหยัด แต่เป็นตัวเลือกเดียวในสองตัวนี้
ไทม์สแตมป์คือเรื่องที่สอง ลูปการถอดรหัสของ Whisper ทำนายค่าเหล่านี้ได้โดยกำเนิด และไปป์ไลน์ของ Transformers เปิดเผยค่าเหล่านี้ในระดับประโยคหรือคำผ่านอาร์กิวเมนต์เดียว นี่คือวิธีที่คำบรรยายใต้ภาพ เครื่องหมายบท และการค้นหาด้านการปฏิบัติตามข้อกำหนดถูกสร้างขึ้นบน Whisper มาสองปี การ์ดของ SOV-Transcribe-1 ระบุถึงการถอดเสียง การควบคุมสไตล์ และการไบแอสตามบริบท และไม่มีสิ่งใดเกี่ยวกับไทม์สแตมป์ การกู้คืนค่าเหล่านี้ในขั้นปลายน้ำหมายถึงการรันตัวจัดแนวแบบบังคับ (forced aligner) กับเอาต์พุต ซึ่งเป็นอีกโมเดล อีกหนึ่ง dependency และอีกหนึ่งแหล่งที่มาของข้อผิดพลาด
การแปลเสียงพูดเป็นอันดับที่สาม Whisper สามารถรับเสียงในภาษาแหล่งใด ๆ ของตนและส่งออกข้อความเป็นภาษาอังกฤษได้โดยตรง ในฐานะงานถอดรหัสแทนที่จะเป็นขั้นตอนไปป์ไลน์ที่สอง SOV-Transcribe-1 ถอดความในภาษาที่พูด หากคุณต้องการคำบรรยายสำหรับสารคดีญี่ปุ่น Whisper ทำได้ในการเรียกครั้งเดียว และโมเดล Salesforce ไม่สามารถทำได้เลย
จุดอ่อนที่ได้รับการบันทึกไว้ของ Whisper สมควรได้รับการกล่าวถึงอย่างเท่าเทียมกัน เนื่องจากเป็นข้อโต้แย้งที่หนักแน่นที่สุดสำหรับการเปลี่ยนไปใช้ระบบอื่น การ์ดโมเดลของ OpenAI เองเตือนว่าโมเดลนี้เกิดอาการหลอน — คือสร้างข้อความที่ไม่ได้ถูกพูดขึ้นมา — เพราะมันถูกฝึกด้วยข้อมูลที่มีการกำกับดูแลแบบอ่อนและมีสัญญาณรบกวน และอาการนี้รุนแรงกว่าในภาษาที่มีทรัพยากรต่ำ นอกจากนี้ยังระบุด้วยว่าสถาปัตยกรรมแบบ sequence-to-sequence มีแนวโน้มเกิดการซ้ำ ซึ่งบรรเทาได้เพียงบางส่วนด้วย beam search และ temperature fallback สิ่งเหล่านี้คือรูปแบบความล้มเหลวที่ทำให้ไปป์ไลน์ที่ไม่มีการตรวจสอบเป็นอันตราย และเป็นสิ่งที่งานด้านสถาปัตยกรรมตลอดสองปีมุ่งแก้ไข
การย้ายระบบจริง ๆ เป็นอย่างไร
แทบไม่มีใครแทนที่ Whisper ด้วย SOV-Transcribe-1 พวกเขาเลือกเส้นทางระหว่างสองตัวนี้ และกฎการเลือกเส้นทางก็เขียนออกมาได้เองจากสเปก: หากเสียงเป็นภาษาอังกฤษหรือหนึ่งในอีกหกภาษาที่ครอบคลุม มีผู้พูดคนเดียว สั้นกว่าสามสิบนาที และมีเอนทิตีหนาแน่น ให้ส่งไปยังโมเดลเปิดพร้อมรายการคำใบ้; มิฉะนั้นให้ปล่อยไว้ที่ Whisper ผลลัพธ์ Contextual Earnings-22 ของ Salesforce — ค่า F1 ของคำสำคัญเพิ่มขึ้นจาก 71.9 เมื่อไม่มีคำใบ้เป็น 96.8 เมื่อใช้คำสำคัญของคลิปเอง และคงอยู่ที่ 94.0 เมื่อได้รับรายการคำสำคัญทั้งชั่วโมงมาเป็นตัวรบกวน — คือความสามารถเฉพาะเจาะจงที่ทำให้การแยกเส้นทางคุ้มค่า เพราะนี่คือสิ่งเดียวที่การไบแอสด้วยพรอมป์นำหน้าของ Whisper ทำได้ไม่ดีเท่า
ต้นทุนของการแยกนั้นคือโครงสร้างพื้นฐานที่ซ้ำซ้อนและรูปแบบเอาต์พุตสองแบบ: SOV-Transcribe-1 ส่งคืนสตริงทรานสคริปต์ ขณะที่ Whisper ส่งคืนข้อความพร้อมช่วงเวลาที่เป็นชังก์ และทุกอย่างในดาวน์สตรีมต้องรองรับทั้งสองแบบ ในทางปฏิบัติ ทีมส่วนใหญ่จะนอร์มัลไลซ์ให้เป็นสคีมาทรานสคริปต์ของตนเองที่ขอบเขตระบบ และเลิกสนใจว่าโมเดลใดเป็นผู้สร้างมันขึ้นมา
สิ่งที่เกิดขึ้นหลังจากการถอดความเสร็จสิ้นคือส่วนที่ขยายตามปริมาณ และเป็นจุดที่ควรมีเราเตอร์มากกว่าผู้ให้บริการเสียงรายที่สอง: OrcaRouter วาง โมเดลข้อความ รูปภาพ และวิดีโอ 200+ โมเดลไว้หลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นตัวสรุป ตัวจัดทำดัชนี หรือตัวจำแนกที่ใช้ผลถอดความจากแหล่งใดแหล่งหนึ่งสามารถสลับหรือ fail over ได้โดยไม่ต้องมีสัญญาใหม่ — และการลดราคาของผู้ให้บริการสำหรับโมเดลนั้นจะมีผลที่นี่ในวันเดียวกัน ทั้ง Whisper Large v3 Turbo และ SOV-Transcribe-1 ไม่ได้ให้บริการผ่านระบบนี้ ทั้งคู่เป็นเวตต์ที่คุณรันเอง และการกำหนดเส้นทางจะเริ่มจากข้อความที่ทั้งสองสร้างออกมา
อะไรจะทำให้การเปรียบเทียบนี้ล้าสมัย
สองเรื่อง และทั้งสองล้วนเป็นไปได้ภายในรอบการเปิดตัว เรื่องแรกคือเช็กพอยต์ SOV แบบควอนไทซ์ ข้อได้เปรียบในทางปฏิบัติของ Whisper Large v3 Turbo คือมันติดตั้งได้ทุกที่ การสร้างโมเดลขนาด 26.6B แบบ 4 บิตก็ยังต้องใช้ GPU ระดับจริงจัง แต่การเปิดตัวแบบ FP8 หรือ NVFP4 — แบบที่ NVIDIA วางจำหน่ายในวันแรกสำหรับ Nemotron 3.5 Transcribe — จะย้ายโมเดลของ Salesforce จาก "ชิ้นส่วนสำหรับศูนย์ข้อมูล" ไปเป็น "ชิ้นส่วนสำหรับเวิร์กสเตชัน" และลดทอนข้อโต้แย้งเรื่องการนำไปใช้งานได้เป็นส่วนใหญ่ Salesforce ได้เผยแพร่บิลด์ MLX 4 บิตแล้ว ซึ่งบ่งชี้ถึงทิศทางดังกล่าว
ประการที่สองคือการประทับเวลาและการแยกผู้พูด (diarization) ที่จะมาในรีลีสแบบจุด ทั้งสองอย่างขาดหายไปอย่างเห็นได้ชัด ทั้งคู่เป็นสิ่งจำเป็นพื้นฐานสำหรับผลิตภัณฑ์ด้านการประชุมและสื่อ และทั้งคู่ก็เป็นสิ่งที่โมเดลการ์ด v0.2 เพิ่มเข้ามาพอดี หากสิ่งเหล่านี้พร้อมใช้งาน เหตุผลเดียวที่เหลืออยู่ในการใช้ Whisper ก็คือภาษาร้อยกว่าภาษา — และสำหรับทีมจำนวนมาก นั่นคือเหตุผลเดียวที่พวกเขาใช้มันในตอนนี้
จนถึงตอนนั้น การแบ่งบทบาทนี้ยังคงมั่นคงและอธิบายได้ง่าย: Whisper Large v3 Turbo ยังคงเป็นค่าเริ่มต้นที่ถูกต้องสำหรับงานทุกประเภทที่มีหลายภาษา มีการประทับเวลา เป็นงานหางยาว หรือถูกจำกัดด้วย CPU ส่วน SOV-Transcribe-1 คือผู้เชี่ยวชาญเฉพาะทางที่คุณเลือกใช้เมื่อเสียงเป็นภาษาอังกฤษ คำศัพท์เป็นที่รู้จักดี และไม่มีใครจะอ่านผลลัพธ์ก่อนที่เครื่องจักรจะอ่าน
