SOV-Transcribe-1 so với GPT Transcribe: Một bên công bố điểm chuẩn, bên kia công bố giá.

OpenAI chưa bao giờ công bố tỷ lệ lỗi từ cho GPT Transcribe. Mô hình xuất hiện trong tài liệu API dưới dạng một bản snapshot kèm giá và danh sách endpoint, và đó là toàn bộ hồ sơ công khai — không có bảng độ chính xác, không có danh sách ngôn ngữ, không có so sánh với mô hình tiền nhiệm. Điều đó có nghĩa là con số duy nhất có thể bảo vệ được trong so sánh này đến từ bộ đánh giá của người khác: Artificial Analysis đo GPT Transcribe ở mức 3,31% AA-WER, so với 2,28% của SOV-Transcribe-1, mô hình trọng số mở của Salesforce phát hành ngày 12 tháng 11 năm 2026. Chênh nhau trọn một điểm lỗi từ, và đó là sự thật ít hữu ích nhất trong bài viết. Những sự thật hữu ích là GPT Transcribe phát trực tuyến theo thời gian thực qua phiên WebSocket còn SOV-Transcribe-1 hoàn toàn không thể phát trực tuyến, rằng một mô hình có giá 0,0045 USD mỗi phút còn mô hình kia tốn một GPU, và rằng cả hai nhà cung cấp đều không cho bạn biết mỗi mô hình hoạt động thế nào trên âm thanh của bạn.

Những gì O​penAI thực sự ghi lại

Bản snapshot này có tên là gpt-transcribe. Nó xử lý các tệp âm thanh đã hoàn tất, bản ghi lời nói của tệp được truyền trực tuyến và các lượt đã chốt trong phiên Realtime qua WebSocket — vì vậy streaming là một năng lực đã được ghi trong tài liệu với giao thức truyền tải riêng, chứ không phải một cờ trên lệnh gọi hàng loạt. Trang danh mục cũng ghi nhận hỗ trợ ngữ cảnh phi cấu trúc, gợi ý từ khóa và nhiều gợi ý ngôn ngữ, đây chính là cùng hình thức định hướng mà SOV-Transcribe-1 cung cấp thông qua chỉ dẫn. Giá được ghi trong tài liệu là 0,0045 USD mỗi phút âm thanh, tức 0,27 USD mỗi giờ âm thanh, và cách người thực hành diễn giải con số đó là một nghìn giờ cuộc gọi được ghi âm tốn 270 USD để phiên âm.

Những gì không được nêu cũng có giá trị thông tin tương đương. Trang mô hình chỉ đánh giá hiệu năng bằng một nhãn định tính "Highest" và tốc độ là "Medium" — không có WER, không có độ chính xác theo từng ngôn ngữ, không nêu độ dài âm thanh tối đa như một giới hạn cứng, không có bảng đánh giá so sánh với Whisper. Mô hình giọng nói cũ hơn của OpenAI, Whisper Large v3 Turbo, có một model card với các phần nêu hạn chế và có cả một bài báo khoa học đằng sau. GPT Transcribe chỉ có một mức giá, một danh sách endpoint và hai tính từ. Đó không phải là một lời buộc tội — rất nhiều mô hình đang vận hành thương mại được phát hành mà không công bố đánh giá — nhưng nó thay đổi những gì người mua có thể kiểm tra trước khi quyết định, và đó là lý do bộ kiểm thử độc lập ở đây quan trọng hơn so với một phép so sánh mà cả hai nhà cung cấp đều công bố.

Con số ở bên ngoài, và sức nặng mà nó mang theo.

Artificial Analysis chạy GPT Transcribe trên cùng tổ hợp ba bộ dữ liệu mà họ dùng cho mọi thứ trên bảng xếp hạng đó: AA-AgentTalk với trọng số 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25%. GPT Transcribe đạt 3,31%. Cùng hệ thống đánh giá đó xếp SOV-Transcribe-1 ở mức 2,28%.

Hãy đọc các thành phần trước khi tin vào khoảng cách. Mức 2,28% của SOV-Transcribe-1 là trung bình của 1,79% trên bộ hội thoại tổng hợp, 1,50% trên giọng đọc các bài phát biểu nghị viện và 4,06% trên các cuộc gọi thu nhập thực tế — chênh lệch giữa bề mặt tốt nhất và tệ nhất của nó gần gấp ba lần. Nếu G​PT Transcribe có mức chênh lệch tương tự, và không có lý do công bố nào để nghĩ khác, thì khoảng cách tổng hợp một điểm có thể là khoảng cách hai điểm trên các cuộc gọi thu nhập và chỉ là sai số làm tròn trên giọng đọc. Không ai bên ngoài Artificial Analysis biết, và Artificial Analysis công bố điểm tổng hợp, không công bố phân tách theo từng bộ cho mọi mô hình.

Chỉ số độc lập thứ hai là tốc độ. Cùng một bảng đo ghi nhận G​PT Transcribe có hệ số tốc độ là 43,1 — tức là xử lý được 43,1 giây âm thanh cho mỗi giây thời gian thực. Để tham chiếu, cùng phép đo đó đặt Whisper Large v3 Turbo ở mức 339,5 và G​emini 3.5 Transcribe ở mức 94,4. G​PT Transcribe là mô hình chậm nhất trong bốn mô hình, với khoảng cách rất lớn, và nếu bạn đang chép lời cả một kho lưu trữ thay vì một cuộc gọi điện thoại, thì đó chính là con số quyết định độ sâu hàng đợi của bạn.

Những con số của mô hình mở đến từ đâu và chúng dừng ở đâu

Con số 2.28% của SOV-Transcribe-1 là độc lập, nhưng gần như mọi thứ khác về nó đều do Salesforce báo cáo. Thẻ mô hình tuyên bố tỷ lệ đạt hoàn toàn 76.3% trên VoiceCodeBench, một bảng xếp hạng riêng, và tỷ lệ khôi phục thực thể 93.4% trên cùng bộ dữ liệu; WER trung bình 8.21% trên mười bốn giọng tiếng Anh trong AppTek Call-Center Dialogues; và 25.69% trên HALAS, một bộ dữ liệu cuộc gọi công bố kết quả kinh doanh tập trung vào ảo giác. Trong số đó, chỉ có điểm tổng hợp Artificial Analysis là có thể được bên thứ ba tái tạo hiện nay. Báo cáo kỹ thuật được liên kết dưới dạng "sắp ra mắt".

Vậy nên cách diễn đạt trung thực về so sánh độ chính xác là bất đối xứng theo một cách khó chịu: mô hình mở có điểm độc lập tốt hơn và một lượng lớn các tuyên bố chưa được kiểm toán từ nhà cung cấp, trong khi mô hình được lưu trữ có điểm độc lập kém hơn và không có tuyên bố nào từ nhà cung cấp cả. Cả hai vị thế đều không mạnh. Nếu quyết định của bạn phụ thuộc vào độ bền vững với giọng hoặc độ chính xác thực thể, bạn đang chọn giữa một slide của nhà cung cấp và sự im lặng, và cách duy nhất để giải quyết là chạy cả hai trên vài trăm clip âm thanh của chính bạn.

Truyền phát trực tuyến là điểm khác biệt chấm dứt cuộc trò chuyện.

Đây không phải là một khác biệt nhỏ. GPT Transcribe mở một phiên chép lời theo thời gian thực qua WebSocket và trả về văn bản từng phần khi âm thanh đến. SOV-Transcribe-1 được nêu rõ là không theo luồng: nó nhận một bản ghi hoàn chỉnh, tối đa ba mươi phút âm thanh mono 16 kHz, và trả về một bản chép lời hoàn chỉnh. Không có chế độ xuất từng phần nào để bật và không có cấu hình nào tạo ra chế độ đó.

Đối với một sản phẩm phụ đề trực tiếp, một tác nhân giọng nói, lớp phủ hỗ trợ tác nhân ở tổng đài hoặc bất kỳ thứ gì mà bản ghi phải tồn tại trước khi người nói ngừng nói, cuộc so sánh đã ngã ngũ trước khi người ta bàn đến độ chính xác. SOV-Transcribe-1 không phải là một lựa chọn chậm hơn; nó không phải là một lựa chọn. Ngược lại, nếu khối lượng công việc là phiên âm hàng loạt qua đêm các cuộc gọi đã ghi — vốn là phần lớn khối lượng giọng nói doanh nghiệp trên thực tế — thì streaming là một năng lực bạn sẽ trả tiền để có và không bao giờ gọi đến, còn lợi thế độ chính xác 1,03 điểm là khoản lợi miễn phí.

Một khác biệt cấu trúc thứ hai nằm bên dưới khác biệt đó. GPT Transcribe là một endpoint được quản lý: tên snapshot là cố định, định dạng phản hồi do OpenAI thay đổi, và phiên bản bạn gọi sau một năm vẫn là cùng tên đó với bất kỳ cải tiến nào được tung ra phía sau nó. SOV-Transcribe-1 trả về một chuỗi bản ghi và không có gì khác — không có dấu thời gian theo từng từ, không có nhãn người nói — đó là một cái giá thực sự, nhưng nó cũng có nghĩa là định dạng đầu ra là bất cứ thứ gì mà mã hạ nguồn của bạn tạo ra từ đó, và các trọng số bạn đã tải xuống không bao giờ bị thay đổi ngầm trừ khi bạn thay thế chúng.

So sánh chi phí, kèm theo phép tính được trình bày

GPT Transcribe được tính giá theo phút âm thanh: $0.0045, tức $4.50 mỗi nghìn phút, đúng bằng con số mà bảng của Artificial Analysis đưa ra. Không có cách hạch toán token nào để mô hình hóa và không có bậc chiết khấu nào được ghi nhận.

Không có con số theo phút nào ở phía Salesforce để đặt bên cạnh nó, vì không có gì để mua theo phút. Thay vào đó, thẻ này cung cấp thông lượng: với hỗ trợ vLLM gốc và mô hình nháp DFlash, một RTX PRO 6000 Blackwell Server Edition phiên âm được tới 1.039 giây âm thanh mỗi giây và trả về bản phiên âm của một đoạn clip ba mươi giây trong 0,22 giây. Một nghìn phút âm thanh là 60.000 giây, nên với tốc độ đó, nó xử lý xong trong chưa đầy một phút thời gian GPU.

Đặt cạnh nhau, hai con số cho thấy một điều rất cụ thể. Ở mức $4.50 mỗi nghìn phút, GPT Transcribe tốn $4.50 cho phần việc mà mô hình mở thực hiện trong khoảng 58 giây trên một card. Một chiếc RTX PRO 6000 thuê chạy chỉ tốn vài đô la một giờ, nên hướng mở rẻ hơn ở bất kỳ khối lượng duy trì nào — nhưng chỉ khi card luôn bận. Ở mức ba giờ âm thanh mỗi tuần, card nhàn rỗi 99% thời gian và API là lựa chọn rẻ hơn gấp mười lần, trước khi ai đó tính đến người kỹ sư bảo trì plugin vLLM được ghim ở phiên bản 0.32.0.

Hai lưu ý về con số thông lượng, cả hai đều từ model card. Đây là phép đo trên bản dựng phát triển từ {{1}}tháng 11 năm 2026{{/1}}, và nó yêu cầu {{2}}max_num_seqs=64{{/2}} để giữ việc profiling lúc khởi động trong phạm vi 96 GB của card sau khi mô hình draft được tải. Giá trị mặc định 1.024 chuỗi đồng thời sẽ không vừa. Bạn đang định cỡ một máy chủ, chứ không phải gọi một endpoint.

Con đường trung dung, và vị trí của bộ định tuyến

Hầu hết các nhóm rơi vào tình huống này đều không chọn một trong hai. Họ giữ lại API được lưu trữ cho mọi tác vụ tương tác và bổ sung mô hình mở cho phần tồn đọng trong kho lưu trữ, nghĩa là có hai đường xử lý phiên âm, hai định dạng đầu ra và hai trung tâm chi phí — và sau đó, thường là, một mô hình văn bản ở hạ nguồn phải tóm tắt, phân loại hoặc truy xuất trên cả hai.

Chặng cuối cùng đó chính là chặng đáng để định tuyến. OrcaRouter đặt hơn 200 mô hình văn bản, hình ảnh và video sau một khóa duy nhất theo giá niêm yết của nhà cung cấp với mức phụ giá 0%, nhờ đó bộ tóm tắt hoặc bộ phân loại đọc một trong hai bản ghi lời nói có thể được hoán đổi, so sánh hoặc chuyển sang dự phòng mà không cần hợp đồng mới — và việc nhà cung cấp giảm giá cho mô hình văn bản đó sẽ có hiệu lực ngay trong ngày nó xuất hiện trên bảng giá của chính nhà cung cấp. Nó không vận hành G​PT Transcribe hay SOV-Transcribe-1; cả hai mô hình giọng nói này đều không do chúng tôi cung cấp, và việc định tuyến bắt đầu từ văn bản mà chúng tạo ra. Điều đó mang lại là quyết định phiên âm không còn bị gắn chặt với quyết định phân tích.

Ai nên chọn cái nào

Chọn GPT Transcribe khi bản ghi phải có sẵn trong lúc âm thanh vẫn đang phát, khi bạn không có năng lực vận hành GPU và không muốn tự xây dựng nó, khi khối lượng công việc đủ nhỏ để $0,27 mỗi giờ âm thanh chỉ là sai số làm tròn so với thời gian kỹ thuật, hoặc khi bạn chỉ cần một nhà cung cấp có hợp đồng hỗ trợ phía sau endpoint. Hãy chấp nhận khoảng cách độ chính xác 1,03 điểm như cái giá phải trả cho điều đó, và lưu ý rằng ở tốc độ 43,1 lần thời gian thực, bạn không nên dự định backfill một kho lưu trữ lớn qua đó.

Chọn SOV-Transcribe-1 khi âm thanh chủ yếu là tiếng Anh, mỗi tệp dưới ba mươi phút và cần xử lý sau khi sự việc xảy ra thay vì trong lúc diễn ra; khi bản ghi không thể rời khỏi hạ tầng của bạn; khi từ vựng đã biết trước và có thể được cung cấp dưới dạng danh sách gợi ý, nơi Salesforce báo cáo F1 từ khóa tăng từ 71.9 lên 96.8 trên Contextual Earnings-22; và khi bạn đã chạy GPU cho việc khác, nên chi phí biên của card gần bằng không.

Điều bạn không nên làm là bám vào con số 3,31% so với 2,28%. Hai con số đó đến từ cùng một harness, trên cùng một cách tính trọng số tổng hợp, và không mô hình nào công bố bảng phân tách theo từng bộ dữ liệu. Chúng đủ để nói rằng mô hình mở có lẽ chính xác hơn trên tiếng Anh hội thoại và giọng đọc. Chúng không đủ để nói chính xác hơn bao nhiêu trên âm thanh của bạn, và những khả năng mà G​PT Transcribe có còn SOV-Transcribe-1 không có — streaming, endpoint được quản lý, gợi ý từ khóa và ngôn ngữ mà không cần serving stack, cùng hợp đồng nhà cung cấp đằng sau thời gian hoạt động — hoàn toàn không được đo bằng WER.