SOV-Transcribe-1 vs Nemotron 3.5 Transcribe：相隔十五天，其中只有一个是产品

开放权重语音识别在两周内两度易主。NVIDIA 于 2026 年 10 月 28 日发布 Nemotron 3.5 Transcribe；Salesforce 于 11 月 12 日发布 SOV-Transcribe-1。在 Artificial Analysis 的综合评分中，较新的模型胜出：SOV-Transcribe-1 的 AA-WER 为 2.28%，而 Nemotron 3.5 Transcribe 为 2.81%。这就是其全部营销卖点，而它比表面看起来更单薄。NVIDIA 交付了说话人分离、词级时间戳、四十种语言、一小时录音、三种量化格式、一份已发布的技术报告，以及一套附带实操指南的推理服务栈。Salesforce 交付了榜单上最好的数字，以及一张声称技术报告即将发布的模型卡。如果你要选择的是放进产品、而不是冲排行榜的模型，那么准确率差距并不是关键维度。

两种架构，两种截然不同的押注

Nemotron 3.5 Transcribe 是一个 Mamba-2 与 Transformer 混合的专家混合语言模型——Nemotron 3.5 Lightning 30B A3B——并搭载一个并行专家编码器：约 6 亿参数的 Transformer ASR 编码器和一个独立的 9900 万参数说话人编码器，另有一个用于时间戳对齐的 CTC 头。总参数量为 340 亿，激活参数为 43 亿（含音频编码器）。

SOV-Transcribe-1 走的是另一个方向。它采用现成的 Whisper large-v3 编码器，加装一个投影器，再把结果交给 Gemma 4 26B A4B 解码器——总计 26.6B 参数，激活 4.6B。英伟达构建了语音前端并接上自家的语言模型，而 Salesforce 则把通用语言模型接到一个人人都已拥有的语音前端上。这就是为什么 SOV 检查点在 BF16 下是 53 GB，而 Nemotron 的 BF16 版本需要 80 GB H100：Salesforce 模型承载的总权重更少，而且它采用的格式尚未发布量化版本。

• 总参数量——SOV-Transcribe-1 为 26.6B，Nemotron 3.5 Transcribe 为 34B，两者均计入音频编码器。

• 激活参数——46亿对43亿。实际上不相上下，而有趣之处正在于此：Salesforce 凭借略大的激活参数集和显著更小的总参数集，获得了更低的错误率。

• 音频限制 — 30 分钟对 1 小时，NVIDIA 侧上下文为 65,536 个 token。

• 语言 — 7 种欧洲语言对 40 种，并且在整个 Nemotron 矩阵中支持语码转换。

• 精度 — 仅 BF16（FP32 路由器）对比 BF16、FP8 和 NVFP4 检查点，其中最后一种在 RTX 5090 上运行。

• 许可证——Apache 2.0 与 OpenMDW-1.1。两者之中，Apache 的宽松程度明显更高；对某些法务团队而言，仅凭这一点就足以定夺。

两家厂商都运行过的一项基准测试，但数字并不一致

本文中最有用的比较就在这里，因为这是唯一能让两个模型卡在同一项测试中并排对比的地方。VoiceCodeBench 衡量结构化值转写——电子邮件地址、文件路径、标识符、账号——并报告两项指标：规范 token 与实体匹配，即目标内容被还原了多少；以及任务成功率，即所有目标值都正确输出的录音占比。

英伟达的模型卡同时公布了：88.53% 的 CTEM 和 59.33% 的 TSR，以及在该数据集上 8.38% 的词错误率。Salesforce 的模型卡针对同一基准公布了两项数字：76.3% 通过所有目标实体，93.4% 的实体被恢复，并称其在开放权重系统中排名第一、在总共 23 个系统中排名第二。这些分别对应 TSR 和 CTEM，但这种对应并不成立。Salesforce 声称完全通过率为 76.3%，而英伟达在同一指标上报告的是 59.33%；并声称实体恢复率为 93.4%，而英伟达报告的是 88.53%。

存在一些无害的解释。VoiceCodeBench 是由第三方运营的私有排行榜，分数会随时间进行版本更新，而且两家供应商可能提交了不同的快照。也存在一种并非无害的解释：其中一个数字被描述得比基准自身报告所能支持的更有把握。读者所能得出的结论范围很窄，但值得直截了当地说明——在双方模型都接受评估的那项结构化数值基准上，Salesforce 模型似乎在把每个值都做对上明显更好，而这一优势的大小则存在五到十七个百分点的争议，取决于你读的是哪家的模型卡。

NVIDIA 交付了而 Salesforce 未能交付的东西

这里的差距不是渐进式的。这些是能力，不是分数，而且每一项都省掉了一块你原本需要构建的下游工作。

• 带说话人归属的转写——在 AMI、CALLHOME、Mixer 6 和 NOTSOFAR-1 上进行了完整的多说话人评估，平均 cpWER 为 15.80，并给出了细至单个远场麦克风案例的分条件结果。SOV-Transcribe-1 则完全没有记载任何说话人分离（diarization）功能。

• 词级时间戳 — 一个 CTC 对齐头，返回带有开始和结束时间的单词文本、一个说话人分离片段映射以及一个对齐错误字段。Salesforce 卡片返回的是一个转写字符串。

• 语音翻译、语言识别和音频问答——这些是各自拥有独立基准的独立任务，其中包括在若干语言上达到 100% 的 FLEURS 语言识别率。SOV-Transcribe-1 可转录七种语言，仅此而已。

一份技术报告——以 PDF 形式发布，其中逐项列明训练数据的构成，细到哪些语料库是从谁那里获得许可的。Salesforce 将其报告的链接标为“即将发布”。

• 量化阶梯与部署指南——消费级 Blackwell 上的 NVFP4、一条 SGLang-Omni 路径、原生 Windows 上的 GGML。Salesforce 集成是一个锁定到 0.32.0 的 vLLM 插件，其上游支持被描述为仍在进行中。

对这份清单需要坦诚提醒的一点是：广度和深度彼此制约。一个在 40 种语言和七个任务族上训练的模型会分散其能力；而一个只在七种欧洲语言和转录任务上训练的模型，则可以把全部能力都投入其中。0.53 分的综合差距，正是这种权衡见效时的样子。

请仔细阅读食用份量数字。

两家厂商都在同一张卡上做基准测试，这让本次对比异常干净——也异常容易出错。

• Salesforce、SOV-Transcribe-1 — 在单块 RTX PRO 6000 Blackwell Server Edition 上，启用 DFlash 草稿模型，使用 vLLM 开发版构建，在 max_num_seqs=64 时，每秒最多可处理 1,039 秒音频。

• NVIDIA，Nemotron 3.5 Transcribe——在 NVFP4 精度下，配合 DFlash2 投机解码，同一张卡上每秒可处理长达 2,238 秒的音频，并在 0.13 秒内返回一段 30 秒音频的转写结果。

NVIDIA 的数字是两倍多，而 NVIDIA 在其自己的模型卡中说明了原因：这些优化存在于 Nemotron Transcribe NIM 中，并不在开源版本里；模型卡称开源版本大约慢两倍，且面向模型开发用途。因此，同类对比——在同一张卡上以开源 vLLM 对开源 vLLM——大约是每秒 1,119 对 1,039 音频秒。NVIDIA 仍然领先约百分之八，而且它在领先的同时，还是那个能在输出流中提供说话人标签和时间戳的模型。

对买家而言，这意味着两款模型都不是靠吞吐量取胜的。两者都能让一块现代显卡满载，也都需要独占一块显卡。真正决定选择的是你需要哪种输出，以及你能跑得动哪个下载版本；而在第二个问题上，Nemotron 完胜，因为 NVFP4 检查点所运行的硬件，成本只有 96 GB 服务器级显卡的一小部分，而 Salesforce 的模型则没有可供运行的量化版本。

在 SOV-Transcribe-1 真正是更优选择的情况下

有三种情况，第一种显而易见。如果语言是英语，且实体准确率就是产品，那么在综合指标上，2.28% 对 2.81% 是实打实的差距，而 Salesforce 模型最弱的环节——在 Earnings22-Cleaned 上为 4.06%——仍然优于综合指标所暗示的竞争对手水平。在 Contextual Earnings-22 上，SOV-Transcribe-1 报告称，借助片段自身的提示，关键词 F1 从 71.9 升至 96.8，而在把整小时的关键词列表作为干扰项提供时仍保持 94.0。NVIDIA 报告其自身的 Contextual Earnings22 数据时使用的是词错误率而非 F1，从无上下文时的 12.54% 降至局部上下文时的 9.58%，因此两者不能直接比较——但结果的形态在两者上是一致的：提示列表有帮助，而干扰项密集的提示列表仍然有帮助。

第二种情况是许可。对于一家法务审查对衍生作品有自己看法的公司来说，Apache 2.0 与 OpenMDW-1.1 之间的选择并非形式问题。如果你打算微调后再分发，或者把模型嵌入到你出货的产品中，走 Apache 这条路更省事。

第三点是范围简单。只做一件事的模型只返回一个结果，而期望收到转录字符串的流水线，比收到一个可能并不需要的、带有说话人标签、时间戳和对齐错误字段的结构化对象的流水线，更容易推理。那些希望自主掌控说话人分离的团队——因为他们已经在运行自己信任的说话人嵌入模型——从更窄的模型中获得更干净的输入。

在没有排行榜的情况下在它们之间做选择

如果音频是会议、多方通话，或者任何“谁说的”本身就是交付内容一部分的场景，答案就是 Nemotron 3.5 Transcribe，准确率问题也无需再谈——SOV-Transcribe-1 无法生成该字段。如果音频是非英语，同样如此，而且更为突出。如果录音超过三十分钟，或需要运行在比数据中心级显卡更小的硬件上，那还是 NVIDIA。

如果音频是英语、为单说话人，或已在上游完成说话人分离，时长不到半小时，且交付物是包含正确专有名词的文本，那么 SOV-Transcribe-1 是当今可用的更准确的转写器，而 Apache 许可证则省去了一场谈判。这比发布报道所暗示的工作负载范围更窄，但它确实是一个真实存在的范围。

混合流水线在这里也是常态结果，它们提出了一个两种模型卡都未涉及的实际问题：之后由什么来读取转写文本。OrcaRouter 将 200+ 文本、图像和视频模型置于一个密钥之后，按提供商目录价、0% 加价提供，因此下游的摘要器或提取器可以无需第二份合同即可替换或故障转移——当转写来源仍在决定中时，这很有用。这两个语音模型都不通过它提供服务，我们也不作此声称；路由从文本开始的地方才开始。

在这两个版本相隔的两周里，真正发生变化的并不是哪个模型坐上了开放权重榜单的头把交椅。变化在于，这份榜单不再有一个明确的答案，而答案如今取决于你买的究竟是一个转写器，还是一条转写流水线。NVIDIA 卖的是后者。Salesforce 发布了前者，而且做得极其出色。