SOV-Transcribe-1 vs Gemini 3.5 Transcribe: Ba phần mười điểm, và mọi thứ còn lại

Trên bảng xếp hạng giọng nói của Artificial Analysis, hai mô hình chỉ cách nhau 0,32 điểm phần trăm — SOV-Transcribe-1 đạt 2,28% AA-WER, Gemini 3.5 Transcribe đạt 2,60% — và đó là khoảng cách nhỏ nhất trong toàn bộ so sánh này. Mọi thứ còn lại đều rộng hơn. Gemini 3.5 Transcribe bao phủ hơn 85 ngôn ngữ so với bảy ngôn ngữ, nhận diện tối đa tám người nói trong khi mô hình của Salesforce không nhận diện được người nói nào, xuất dấu thời gian ở cấp độ từ và có một endpoint trực tiếp riêng cho phát trực tuyến. SOV-Transcribe-1 có trọng số mở theo Apache 2.0, chạy trên GPU bạn sở hữu và chấp nhận danh sách từ khóa giúp sửa tên và mã chứng khoán một cách có thể đo lường được. Việc chọn giữa chúng không phải là câu hỏi về độ chính xác. Mà là câu hỏi liệu bạn đang mua một bản ghi lời nói hay mua một pipeline.

Mỗi loại là gì

SOV-Transcribe-1 là mô hình ngôn ngữ tăng cường giọng nói có trọng số mở đầu tiên của Salesforce, được công bố vào ngày 12 tháng 11 năm 2026 dưới tên salesforce-sovereign-intelligence/SOV-Transcribe-1: một bộ mã hóa Whisper large-v3 cấp dữ liệu cho bộ giải mã hỗn hợp chuyên gia Gemma 4 26B A4B, tổng cộng 26,6B tham số và 4,6B tham số hoạt động, trong một checkpoint BF16 53 GB. Mô hình không truyền phát trực tuyến, xử lý tối đa 30 phút âm thanh 16 kHz mỗi yêu cầu và được điều khiển bằng các hướng dẫn trong tin nhắn của người dùng thay vì bằng các tham số.

Gemini 3.5 Transcribe là mô hình chuyển giọng nói thành văn bản do Google vận hành, được cập nhật lần cuối vào tháng 8 năm 2026 và có thể truy cập qua Gemini API với tên gemini-3.5-transcribe, cùng một phiên bản streaming WebSocket song song có tên gemini-3.5-transcribe-live. Mô hình nhận âm thanh dài tối đa một giờ mỗi yêu cầu — ba mươi phút khi bật phân tách người nói hoặc dấu thời gian — và trả về văn bản cùng các chú thích theo từ. Không cần tải trọng số xuống và cũng không cần ước tính kích thước máy chủ.

Khoảng cách về độ chính xác, được phân rã

AA-WER v2 là một tổ hợp có trọng số: AA-AgentTalk chiếm 50%, VoxPopuli-Cleaned chiếm 25%, Earnings22-Cleaned chiếm 25%. Việc tách hai mô hình theo các thành phần đó mang lại nhiều thông tin hơn so với con số tổng, vì lợi thế của mô hình Salesforce không được phân bổ đều.

• AA-AgentTalk — SOV-Transcribe-1 ở mức 1,79%. Đây là tập hội thoại tổng hợp có trọng số một nửa, và đây là nơi mô hình Salesforce mạnh nhất so với mọi thứ khác trên bảng.

• VoxPopuli-Cleaned — SOV-Transcribe-1 ở mức 1,50%. Đọc lời nói nghị viện, và các ngôn ngữ châu Âu trong hỗn hợp huấn luyện của nó đúng là những ngôn ngữ mà bộ dữ liệu này lấy từ đó.

• Earnings22-Cleaned — SOV-Transcribe-1 ở mức 4.06%. Các cuộc gọi công bố thu nhập thực tế: tên, mã chứng khoán, con số, tiếng nói chồng chéo. Đây là bề mặt tệ nhất của mô hình, và là bề mặt gần nhất với âm thanh doanh nghiệp.

Google không công bố bảng phân rã thành phần cho Gemini 3.5 Transcribe trên cùng ba bộ dữ liệu, vì vậy phát biểu trung thực là điểm tổng hợp nghiêng về Salesforce với cách biệt 0,32 điểm, còn bức tranh theo từng bộ dữ liệu của Google không được công khai. Bất kỳ ai khẳng định một chiến thắng rõ ràng trên, chẳng hạn, âm thanh tổng đài đều đang ngoại suy từ một điểm tổng hợp có một nửa trọng số dành cho hội thoại tổng hợp.

Nơi mà mô hình được lưu trữ đơn giản là vượt trội hơn

Bốn năng lực phía Google không có đối ứng trong bản phát hành Salesforce, và mỗi năng lực quyết định một danh mục sản phẩm.

{{1}}Ngôn ngữ{{/1}} — hơn 85 ngôn ngữ với khả năng tự động phát hiện và chuyển mã giữa phiên, so với bảy ngôn ngữ châu Âu. Nếu âm thanh của bạn có tiếng Quan Thoại, tiếng Hindi, tiếng Ả Rập hoặc tiếng Nhật, SOV-Transcribe-1 không phải là ứng viên và việc so sánh độ chính xác là vô nghĩa.

• Cấu trúc người nói — phân tách người nói cho tối đa tám người, với việc quy gán người nói cho hơn ba người được dán nhãn là thử nghiệm. SOV-Transcribe-1 không ghi nhận bất kỳ tính năng phân tách người nói nào; bản ghi cuộc gọi hai người trả về thành một khối văn bản không phân biệt.

• Dấu thời gian — đầu ra ở cấp độ từ trên endpoint batch. Mô hình của Salesforce phát ra một chuỗi văn bản bản ghi, vì vậy việc tạo phụ đề hoặc tìm kiếm tuân thủ theo dấu thời gian phải được xây dựng ở phía hạ nguồn.

• Truyền phát — một điểm cuối trực tiếp chuyên dụng với các phiên mười phút và truyền tải WebSocket hai chiều. SOV-Transcribe-1 rõ ràng không hỗ trợ truyền phát; không có chế độ bản ghi chép từng phần nào để bật.

Có một khác biệt thứ năm không phải là tính năng mà là ràng buộc. Tài liệu của chính Google lưu ý rằng dấu thời gian ở cấp độ từ làm giảm độ chính xác phiên âm và không tương thích với từ vựng tùy chỉnh, đồng thời việc phân tách người nói cũng không tương thích với ưu tiên từ vựng. Mô hình hosted buộc bạn phải chọn khả năng nào mình muốn cho mỗi yêu cầu. Mô hình Salesforce buộc bạn chọn một lần, ở cấp độ “không bao giờ phân tách người nói”.

Nơi mô hình mở dẫn trước, vượt xa điểm số

Câu trả lời hiển nhiên là lưu trú dữ liệu, và đó là lựa chọn đúng đắn với phần lớn người mua: trọng số Apache 2.0 trên phần cứng do bạn kiểm soát nghĩa là âm thanh không bao giờ rời khỏi tòa nhà. Với bản ghi cuộc gọi trong dịch vụ tài chính hoặc y tế, đó thường là yêu cầu bắt buộc chứ không phải sở thích, và không có API được lưu trữ nào đáp ứng được điều đó bất kể WER.

Câu trả lời kém hiển nhiên hơn là biasing. Trên Contextual Earnings-22, SOV-Transcribe-1 nâng F1 từ khóa từ 71,9 khi không có gợi ý lên 96,8 khi được cung cấp chính các từ khóa của clip, và giữ được 94,0 khi được đưa danh sách từ khóa của cả giờ với hầu hết mục là gây nhiễu. Gemini cũng cung cấp biasing từ vựng tùy chỉnh, tối đa 1.000 thuật ngữ, với kết quả tốt nhất được báo cáo ở khoảng 100 — nhưng không thể kết hợp với diarization hoặc dấu thời gian mà bạn cũng có thể muốn. Nếu độ chính xác thực thể là mục tiêu cốt lõi, cả hai mô hình đều làm được; chỉ một trong số chúng có thể làm được điều đó đồng thời xuất nhãn người nói.

Kiểm soát phong cách đứng thứ ba. SOV-Transcribe-1 được huấn luyện để tiếp nhận chỉ dẫn — nguyên văn so với đã làm sạch, chữ số so với chữ viết, từ đệm được giữ lại hay loại bỏ — và Salesforce báo cáo WER nhận biết tùy chọn là 5,05% với chỉ dẫn được đưa ra. Tương đương của Google là “Smart transcription”, bao gồm loại bỏ từ đệm và định dạng nhận biết ý định nhưng là một chế độ chứ không phải bề mặt chỉ dẫn.

So sánh chi phí thực sự quan trọng

Google công bố Gemini 3.5 Transcribe với giá $2.00 mỗi triệu token đầu vào âm thanh và $12.00 mỗi triệu token đầu ra, mà trang giá quy đổi thành khoảng $0.003 mỗi phút đầu vào và $0.002 mỗi phút đầu ra, hoặc khoảng $0.005 mỗi phút tính gộp. Bảng của Artificial Analysis niêm yết cùng mô hình ở mức $5.00 mỗi 1.000 phút. Dù thế nào, một nghìn phút âm thanh tốn khoảng năm đô la.

SOV-Transcribe-1 không có giá theo phút vì Salesforce không bán endpoint nào. Con số có thể so sánh được là thông lượng: với hỗ trợ vLLM gốc và mô hình nháp DFlash, một RTX PRO 6000 Blackwell Server Edition phiên âm tới 1.039 giây âm thanh mỗi giây. Ở tốc độ đó, một thẻ xử lý xong một nghìn phút chỉ trong khoảng một phút đồng hồ thực, vì vậy điểm hòa vốn so với một API giá 5 đô la cho mỗi 1.000 phút sẽ đến ở bất kỳ khối lượng đáng kể nào — và sẽ không bao giờ đến nếu bạn đang phiên âm ba giờ mỗi tuần và phải thuê thẻ theo giờ để làm việc đó.

Có hai lưu ý đi kèm với phép tính đó. Con số 1,039 là kết quả đo trên bản build phát triển của vLLM từ tháng 11 năm 2026 với max_num_seqs=64, đây cũng là thiết lập cần thiết để giữ profiling lúc khởi động trong phạm vi 96 GB sau khi mô hình draft được tải. Và tích hợp này là một plugin được ghim vào vLLM 0.32.0, với hỗ trợ upstream gốc được mô tả là đang trong quá trình phát triển. Bạn không chỉ mua một GPU; bạn còn đang duy trì một serving stack.

Quy tắc quyết định

Hãy chọn Gemini 3.5 Transcribe khi một trong các điều sau đúng: âm thanh không thuộc một trong bảy ngôn ngữ châu Âu, bạn cần nhãn người nói hoặc dấu thời gian được xem là đầu ra cốt lõi, bạn cần bản ghi từng phần trong khi âm thanh vẫn đang được truyền đến, hoặc khối lượng của bạn đủ thấp đến mức GPU không bao giờ hoàn vốn. Mức thiếu hụt độ chính xác 0,32 điểm là một chi phí thực, nhưng đó là chi phí được đo trên một chỉ số tổng hợp có trọng số một nửa nghiêng về hội thoại tổng hợp, và nó đổi lấy bốn năng lực mà nếu không bạn sẽ phải tự xây dựng.

Hãy chọn SOV-Transcribe-1 khi âm thanh chủ yếu là tiếng Anh và có nhiều thực thể, khi từ vựng đã được biết trước, khi các bản ghi dưới ba mươi phút, và khi “âm thanh vẫn nằm trên phần cứng của chúng ta” là một điều khoản trong hợp đồng chứ không phải là một tùy chọn. Phiên chép hàng loạt qua đêm các cuộc gọi bán hàng đã ghi âm chính là khối lượng công việc mà mô hình này rõ ràng được thiết kế để xử lý.

Các hệ thống hỗn hợp là kết quả phổ biến, và phần rắc rối chưa bao giờ nằm ở việc phiên âm. Mà là việc phiên âm cung cấp dữ liệu cho một mô hình thứ hai — trình tóm tắt, bộ phân loại, tác nhân QA — và thay đổi đơn vị tiêu thụ đó đồng nghĩa với nhà cung cấp mới, khóa mới và hóa đơn mới. OrcaRouter loại bỏ bước đó: hơn 200 mô hình văn bản, hình ảnh và video chỉ sau một khóa theo giá niêm yết của nhà cung cấp với mức tăng giá 0%, để mô hình phía sau bản phiên âm có thể được hoán đổi hoặc chuyển sang dự phòng mà không cần chạm vào quy trình phiên âm. Nó không lưu trữ cả hai mô hình giọng nói và không cần phải làm vậy. Lớp phiên âm vẫn ở nguyên vị trí; việc định tuyến bắt đầu từ văn bản mà lớp đó tạo ra.

Điều duy nhất không nên làm là coi khoảng cách 0,32 điểm là quyết định. Đó là con số nhỏ nhất trong phép so sánh và, với hầu hết các đội, là con số ít quan trọng nhất.