SOV-Transcribe-1 对比 Gemini 3.5 Transcribe：0.3 分之差，以及其他一切

在Artificial Analysis语音榜上，这两个模型仅相差0.32个百分点——SOV-Transcribe-1的AA-WER为2.28%，Gemini 3.5 Transcribe为2.60%——而这是整个对比中最小的差距。其他所有差距都更大。Gemini 3.5 Transcribe支持85种以上语言，而后者仅支持7种；最多可识别八位说话人，而Salesforce模型一个都识别不了；还能输出词级时间戳，并拥有独立的实时流式端点。SOV-Transcribe-1以Apache 2.0许可证开放权重，可在你自有的GPU上运行，并接受一个关键词列表，能够切实修正名称和股票代码。在两者之间做选择，并不是准确率的问题，而是你要购买一份转写文本，还是购买一套流水线的问题。

每一个是什么

SOV-Transcribe-1 是 Salesforce 首个开放权重语音增强语言模型，于 2026 年 11 月 12 日以 salesforce-sovereign-intelligence/SOV-Transcribe-1 发布：由 Whisper large-v3 编码器为 Gemma 4 26B A4B 混合专家解码器提供输入，总参数 26.6B，激活参数 4.6B，采用 53 GB BF16 检查点。该模型为非流式，每次请求最多可处理 30 分钟的 16 kHz 音频，并且通过用户消息中的指令而非参数进行控制。

Gemini 3.5 Transcribe 是 Google 的托管式语音转文字模型，最后更新于 2026 年 8 月，可通过 Gemini API 以 gemini-3.5-transcribe 访问，还有一个名为 gemini-3.5-transcribe-live 的 WebSocket 流式同类模型。每次请求可处理最长一小时的音频——启用说话人分离或时间戳时为三十分钟——并返回文本和词级标注。无需下载权重，也无需配置服务器规模。

准确率差距拆解

AA-WER v2 是一个加权复合指标：AA-AgentTalk 占 50%，VoxPopuli-Cleaned 占 25%，Earnings22-Cleaned 占 25%。将这两个模型按这些组成部分拆分来看，比只看总体数字更有信息量，因为 Salesforce 模型的优势并非均匀分布。

• AA-AgentTalk — SOV-Transcribe-1 为 1.79%。这是半权重的合成对话数据集，也是 Salesforce 模型相对于榜单上其他任何模型表现最强的地方。

• VoxPopuli-Cleaned —— SOV-Transcribe-1 为 1.50%。它读取议会演讲，而其训练组合中的欧洲语言正是该数据集所取自的那些语言。

• Earnings22-Cleaned — SOV-Transcribe-1 为 4.06%。真实财报电话会议：人名、股票代码、数字、串音。这是该模型表现最差的场景，也是最接近企业音频的场景。

Google 并未在同样的三个数据集上公布 Gemini 3.5 Transcribe 的分项拆解，因此诚实的说法是：综合得分以 0.32 分的优势偏向 Salesforce，而 Google 在各数据集上的表现并不公开可见。任何人若声称在例如呼叫中心音频上取得明显胜利，都是在从一个一半权重偏向合成对话的综合得分进行外推。

在托管模型明显领先之处

谷歌方面的四项能力在Salesforce发布的版本中没有对应项，而每一项都决定着一类产品。

• 语言——支持 85 种以上，具备自动检测和会话中途语码转换，而对比对象为七种欧洲语言。如果你的音频包含普通话、印地语、阿拉伯语或日语，SOV-Transcribe-1 就不是候选方案，准确率比较也就没有意义了。

说话人结构——最多支持对八位说话人进行说话人分离（diarization），其中超过三位说话人的归属标注被标为实验性功能。SOV-Transcribe-1 则完全未记录任何说话人分离功能；一段两人通话的转写结果返回时是一整块未加区分的文本。

• 时间戳——批处理端点支持词级输出。Salesforce 的模型输出的是转写文本字符串，因此字幕生成或基于时间戳的合规检索必须在下游另行构建。

• 流式传输 — 专用的实时端点，支持十分钟会话和双向 WebSocket 传输。SOV-Transcribe-1 明确不支持流式传输；没有可启用的部分转录模式。

第五个差异不是一项功能，而是一种限制。Google 自己的文档指出，词级时间戳会降低转录准确性，并且与自定义词汇不兼容；此外，说话人分离也与词汇偏置不兼容。托管模型要求你在每次请求时选择自己想要哪种能力。Salesforce 模型则让你一次性做出选择，而选择层面是“永远不进行说话人分离”。

开放模型领先之处，不止于分数

显而易见的答案是数据驻留，而且对很大一部分买家来说，这正是正确选择：在你掌控的硬件上运行 Apache 2.0 权重，意味着音频永远不会离开你的设施。对于金融服务或医疗保健领域的呼叫中心录音，这往往是一项硬性要求，而非偏好；而且无论 WER 如何，任何托管 API 都无法满足这一要求。

不太显眼的答案是偏置。在 Contextual Earnings-22 上，SOV-Transcribe-1 在没有任何提示时把关键词 F1 从 71.9 提升到 96.8（给定片段自身的关键词），而在拿到整小时的关键词列表且其中大多数条目都是干扰项时，仍保持 94.0。Gemini 也提供自定义词汇偏置，最多支持 1,000 个词条，报告的最佳效果大约在 100 个词条左右——但它不能与你可能同样想要的说话人分离或时间戳结合使用。如果产品目标就是实体准确率，那么两个模型都能做到；但只有一个能在同时输出说话人标签的情况下做到。

风格控制是第三项。SOV-Transcribe-1 经过训练，可以接受指令——逐字还是清理后、数字还是文字、填充词保留还是删除——Salesforce 报告称，在给出指令的情况下，其偏好感知 WER 为 5.05%。谷歌的对应功能是“Smart transcription”，它涵盖填充词移除和意图感知的格式化，但它是一种模式，而不是指令接口。

真正重要的成本比较

Google 公布 Gemini 3.5 Transcribe 的价格为每百万音频输入 token 2.00 美元、每百万输出 token 12.00 美元，定价页面将其换算为输入约每分钟 0.003 美元、输出约每分钟 0.002 美元，混合计算约为每分钟 0.005 美元。Artificial Analysis 的榜单上，同一模型的标价为每 1,000 分钟 5.00 美元。无论如何，一千分钟的音频成本约为五美元。

SOV-Transcribe-1 没有按分钟计价，因为 Salesforce 并不出售端点。可比的指标是吞吐量：借助原生 vLLM 支持和 DFlash 草稿模型，一块 RTX PRO 6000 Blackwell Server Edition 每秒最多可转录 1,039 秒音频。按这个速率，单张卡大约一分钟的实际耗时就能处理完一千分钟，因此与每 1,000 分钟收费 5 美元的 API 相比，只要业务量达到可观规模，成本交叉点就会出现——而如果你每周只转录三个小时，还得按小时租用这张卡来完成，那这个交叉点就永远不会到来。

这一算术结果需要附带两点说明。1,039 这个数字是 2026 年 11 月对 vLLM 开发构建进行测量得到的，当时 max_num_seqs=64；这也是在加载草稿模型后，将启动性能分析控制在 96 GB 以内所需的设置。此外，该集成是一个锁定到 vLLM 0.32.0 的插件，原生上游支持被描述为仍在开发中。你购买的不只是一块 GPU；你还在维护一套推理服务栈。

决策规则

当以下任一情况成立时，就选用 Gemini 3.5 Transcribe：音频不属于七种欧洲语言之一；你需要将说话人标签或时间戳作为一等输出；你需要在音频仍在传入时获得部分转录；或者你的使用量低到 GPU 永远无法回本。0.32 个百分点的准确率差距是实实在在的代价，但这一代价是在一个有一半权重偏向合成对话的综合基准上测得的，而它换来的是四项你原本必须自行构建的能力。

当音频以英语为主且包含大量实体时，当词汇表可以提前确定时，当录音时长不超过三十分钟时，以及当“音频留在我们自己的硬件上”是合同条款而非偏好时，就选用 SOV-Transcribe-1。对录制的销售通话进行夜间批量转录，正是这款模型显然为之设计的工作负载。

混合部署是常见结果，而棘手之处从来不在转写本身。问题在于转写结果要供给第二个模型——摘要器、分类器、QA 代理——而更换这个下游使用方就意味着新供应商、新密钥和新账单。OrcaRouter 移除了这一步：200+ 文本、图像和视频模型共用一把密钥 按供应商列表价、0% 加价，因此转写结果下游的模型可以替换或故障转移，而完全不用触碰转写流水线。它既不托管这两个语音模型，也不需要这么做。转写层保持原样；路由从它产出的文本开始。

唯一不该做的，就是把 0.32 分的差距当作决策依据。它是比较中最小的数字，而且对大多数团队来说，也是影响最小的。