SOV-Transcribe-1 vs GPT Transcribe：一个公布基准测试，另一个公布价格

OpenAI 从未公布过 GPT Transcribe 的词错误率。该模型在 API 文档中仅以快照形式出现，附带价格和端点列表，这就是全部公开记录——没有准确率表，没有语言列表，也没有与前代模型的对比。这意味着，这项比较中唯一站得住脚的数字来自他人的测试框架：Artificial Analysis 测得的 GPT Transcribe 的 AA-WER 为 3.31%，而 SOV-Transcribe-1 为 2.28%；后者是 Salesforce 于 2026 年 11 月 12 日发布的开放权重模型。两者相差整整一个百分点的词错误率，而这是文章中最没用的事实。有用的事实是：GPT Transcribe 通过 WebSocket 会话实时流式传输，而 SOV-Transcribe-1 完全无法流式传输；一个每分钟花费 0.0045 美元，另一个则要花一块 GPU；而且两家供应商都不会告诉你，这两个模型在你的音频上表现如何。

O​penAI 实际记录了哪些内容

该快照名为 gpt-transcribe。它处理已完成的音频文件、流式文件转录，以及 Realtime 会话中通过 WebSocket 提交的轮次——因此流式传输是一项有文档记载的能力，拥有自己的传输方式，而不是批处理调用上的一个标志。目录页还指出支持非结构化上下文、关键词提示和多种语言提示，这与 SOV-Transcribe-1 通过指令提供的偏置形式相同。文档标价为每音频分钟 0.0045 美元，折合每音频小时 0.27 美元；而从业者对这一数字的解读是，转录一千小时录音通话的成本为 270 美元。

缺失的内容同样具有信息量。模型页面仅用定性标签“Highest”来评价性能，用“Medium”来评价速度，却没有 WER，没有各语言的准确率，没有说明最大音频长度这一硬性限制，也没有与 Whisper 对比的评估表。OpenAI 较早的语音模型 Whisper Large v3 Turbo 有一张包含局限性章节的模型卡，背后还有一篇论文。GPT Transcribe 则只有一个价格、一份端点列表和两个形容词。这并不是指控，因为许多生产模型发布时都没有公开评估；但它改变了买家在做出承诺前能核查什么，也正是为什么在这里，独立测试框架比在双方供应商都发布评估的对比中更重要。

那个外部数字，以及它承载着多大的分量

Artificial Analysis 在同一个三数据集复合基准上运行 G​PT Transcribe，该基准也是其在该榜单上用于所有项目的那一个：AA-AgentTalk 权重为 50%，VoxPopuli-Cleaned 为 25%，Earnings22-Cleaned 为 25%。G​PT Transcribe 得分为 3.31%。同一评测框架给 SOV-Transcribe-1 的评分为 2.28%。

在相信这个差距之前，先看看各分项。SOV-Transcribe-1 的 2.28% 是合成对话集上 1.79%、朗读议会演讲上 1.50% 和真实财报电话会议上 4.06% 的平均值——其最佳和最差评测面之间的差距接近三比一。如果 G​PT Transcribe 也有类似的分布差距，并且没有公开理由认为情况并非如此，那么综合分上一分的差距，在财报电话会议上可能是两分的差距，而在朗读语音上可能只是舍入误差。Artificial Analysis 之外没人知道，而 Artificial Analysis 发布的是综合分，不是每个模型按测试集拆分的明细。

第二个独立指标是速度。同一榜单测得 G​PT Transcribe 的速度系数为 43.1——即每 1 秒实际耗时处理 43.1 秒音频。作为参照，同一测量中 Whisper Large v3 Turbo 为 339.5，G​emini 3.5 Transcribe 为 94.4。G​PT Transcribe 是四者中最慢的，而且差距很大；如果你转写的是档案资料而不是一通电话，这个数字就决定了你的队列深度。

开放模型的数字从何而来，又止于何处

SOV-Transcribe-1 的 2.28% 是独立得出的，但除此之外几乎一切都由 Salesforce 报告。模型卡声称，在私有排行榜 VoiceCodeBench 上全通过率为 76.3%，在同一数据集上实体恢复率为 93.4%；在 AppTek Call-Center Dialogues 的十四种英语口音上平均 WER 为 8.21%；在 HALAS（一个以幻觉为重点的财报电话会议数据集）上为 25.69%。其中，如今只有 Artificial Analysis 综合指标可由第三方复现。技术报告链接标注为“即将发布”。

诚实地描述这一准确性对比，会呈现出一种令人不适的不对称：开源模型拥有更好的独立评分，以及大量未经审计的厂商声明；而托管模型的独立评分更差，且完全没有厂商声明。两种立场都不算强。如果你的决策取决于口音鲁棒性或实体准确性，那你就是在厂商的幻灯片和一片沉默之间做选择，而唯一能解决这个问题的办法，就是用你自己音频的几百个片段分别运行两者。

流媒体正是终结争论的关键差异所在

这不是细微差别。GPT Transcribe 通过 WebSocket 开启实时转写会话，并在音频到达时返回部分文本。SOV-Transcribe-1 则明确不支持流式处理：它接收一段完整录音，最多为三十分钟的 16 kHz 单声道音频，并返回完整转写文本。它没有可启用的部分输出模式，也没有任何配置能产生这种效果。

对于实时字幕产品、语音代理、呼叫中心坐席辅助浮层，或任何要求在说话人停止讲话前就必须生成转写文本的场景，还没等讨论准确率，比较就已经结束了。SOV-Transcribe-1 不是更慢的选项；它根本算不上一个选项。反过来，如果工作负载是对录制通话进行夜间批量转写——而这实际上正是大多数企业语音量的真实情况——那么流式处理就是你花钱买了却永远不会调用的能力，而 1.03 个百分点的准确率优势就是白赚的。

第二个结构性差异则位于那一个之下。G​PT Transcribe 是一个托管端点：快照名称是固定的，响应格式由 O​penAI 决定是否更改，而一年后你调用的版本仍是同一个名称，背后则附带着届时已发布的任何改进。SOV-Transcribe-1 只返回一个转写字符串，除此之外什么都没有——没有词级时间戳，也没有说话人标签——这是实实在在的代价，但这也意味着输出格式完全由你的下游代码决定，而你下载的权重不会在你未替换它们的情况下自行改变。

成本比较，并展示计算过程

G​PT Transcribe 按音频分钟计价：$0.0045，即每千分钟 $4.50，这正是 Artificial Analysis 榜单所列的数字。没有需要建模的 token 计量，也没有记录在案的折扣档位。

Salesforce 这边没有可按分钟计的数字可以放在它旁边，因为没有什么需要按分钟购买。这张卡转而提供的是吞吐量：借助原生 vLLM 支持和 DFlash 草稿模型，一块 RTX PRO 6000 Blackwell Server Edition 每秒最多可转写 1,039 秒音频，并在 0.22 秒内返回一段三十秒音频的转写结果。一千分钟音频是 60,000 秒，因此按这个速度，不到一分钟的 GPU 时间就能处理完。

把这两个数字并排放，就能说明一件具体的事。按每千分钟 4.50 美元计算，G​PT Transcribe 花 4.50 美元，就能完成开放模型在一张卡上大约 58 秒所做的工作。租一张 RTX PRO 6000 每小时只需低个位数美元，所以在任何持续用量下，开放路线都更便宜——但前提是这张卡一直很忙。若每周只有三小时音频，这张卡有 99% 的时间处于空闲，那么 API 反而是便宜十倍的答案，这还没算上维护那个锁定在 0.32.0 版本的 vLLM 插件的工程师。

关于吞吐量数字有两点注意事项，均来自模型卡。它是 2026 年 11 月开发版本的测量结果，并且需要设置 max_num_seqs=64，才能在加载草稿模型后让启动性能分析控制在模型卡的 96 GB 以内。默认的 1,024 个并发序列将无法容纳。你是在为服务器做选型，而不是在调用端点。

中间路线，以及路由器适合的位置

大多数最终走到这一步的团队并不会二选一。他们会保留托管 API 用于任何交互式场景，同时引入开放模型来处理归档积压，这意味着两条转写路径、两种输出格式和两个成本中心——而通常随之而来的，是下游的一个文本模型，它得对这两边的结果做摘要、分类或检索。

最后一跳才是值得路由的一跳。OrcaRouter 将 200+ 个文本、图像和视频模型置于单个密钥之后 按供应商标价、0% 加价提供，因此，读取任一转录文本的摘要器或分类器都可以在不签新合同的情况下进行替换、对比或故障转移——而且供应商对该文本模型降价时，同一天就会在供应商自己的价目卡上生效。它不托管 G​PT Transcribe 或 SOV-Transcribe-1；这两个语音模型都不是我们提供的服务，路由始于它们生成的文本。这样带来的好处是，转录决策不再与分析决策捆绑在一起。

谁应该选哪个

当音频仍在播放时转写文本就必须存在，当你没有 GPU 运维能力也不想自建，当用量不大、每音频小时 0.27 美元相对于工程时间只是零头，或者当你只是需要一个端点背后有支持合同的供应商时，就选 G​PT Transcribe。接受 1.03 个百分点的准确率差距作为代价，并注意在 43.1 倍实时速度下，不应计划通过它回填大型存档。

当音频以英语为主、每个文件不足三十分钟，并且是事后而非实时需要时，请选择 SOV-Transcribe-1；当录音无法离开你的基础设施时；当词汇可预先获知、并能以提示列表的形式提供时——在 Contextual Earnings-22 上，Salesforce 报告关键词 F1 从 71.9 提升到 96.8；以及当你已经在为其他用途运行 GPU，因而这张卡的边际成本接近于零时。

你不应该做的是纠结于 3.31% 与 2.28%。这两个数字来自同一套测试框架、同一种综合加权，而且两个模型都没有公布按数据集拆分的明细。它们足以说明这个开放模型在英语对话和朗读语音上可能更准确。但它们不足以说明在你的音频上准确多少，而 G​PT Transcribe 具备、SOV-Transcribe-1 不具备的能力——流式处理、托管端点、无需自建服务栈即可使用关键词和语言提示，以及有供应商合同保障的正常运行时间——根本不是用 WER 来衡量的。