SOV-Transcribe-1 對決 Gemini 3.5 Transcribe：零點三分的差距，以及其他一切

在 Artificial Analysis 語音排行榜上，這兩個模型僅相差 0.32 個百分點：SOV-Transcribe-1 為 2.28% AA-WER，Gemini 3.5 Transcribe 為 2.60%，而這是整份比較中最小的差距。其他項目的差距都更大。Gemini 3.5 Transcribe 涵蓋 85 種以上語言，相較之下 SOV-Transcribe-1 只有七種；Gemini 3.5 Transcribe 可辨識最多八位說話者，而 Salesforce 模型則完全無法辨識；它會輸出詞級時間戳記，並具有獨立的即時串流端點。SOV-Transcribe-1 以 Apache 2.0 授權開放權重，可在自有的 GPU 上執行，並接受一份能實際修正名稱與股票代號的關鍵字清單。在兩者之間做選擇，無關準確度。問題在於：你買的是一份轉錄稿，還是一整套管線。

每一個是什麼

SOV-Transcribe-1 是 Salesforce 首個開放權重的語音增強語言模型，於 2026 年 11 月 12 日以 salesforce-sovereign-intelligence/SOV-Transcribe-1 之名發佈：由 Whisper large-v3 編碼器饋入 Gemma 4 26B A4B 專家混合解碼器，總參數量 26.6B、活躍參數 4.6B，為 53 GB 的 BF16 檢查點。它採用非串流模式，每次請求最多可處理 30 分鐘的 16 kHz 音訊，並且是透過使用者訊息中的指令控制，而非透過參數控制。

Gemini 3.5 Transcribe 是 Google 託管的語音轉文字模型，最後更新於 2026 年 8 月，可透過 Gemini API 以 gemini-3.5-transcribe 存取，另有名為 gemini-3.5-transcribe-live 的 WebSocket 串流版本。每次請求可接受長達一小時的音訊——若開啟說話者分離或時間戳記則為三十分鐘——並回傳文字與詞級標註。無需下載權重，也無需評估伺服器規模。

準確度差距剖析

AA-WER v2 是一項加權複合指標：AA-AgentTalk 佔 50%、VoxPopuli-Cleaned 佔 25%、Earnings22-Cleaned 佔 25%。將這兩個模型依這些組成部分分別拆開來看，會比單看總體數字更具資訊量，因為 Salesforce 模型的優勢並非均勻分布。

• AA-AgentTalk — SOV-Transcribe-1 為 1.79%。這是半權重的合成對話資料集，也是 Salesforce 模型相對於榜上其他任何項目表現最強之處。

• VoxPopuli-Cleaned — SOV-Transcribe-1 為 1.50%。它能讀取議會演說，而其訓練混合資料中的歐洲語言，正好就是此資料集所取材的語言。

• Earnings22-Cleaned — SOV-Transcribe-1 為 4.06%。真實財報電話會議：人名、股票代號、數字、重疊交談。這是該模型表現最差的場景，卻也是最貼近企業音訊的場景。

Google 並未針對 Gemini 3.5 Transcribe 在同樣這三組資料集上公布各組成部分的細項，因此誠實的說法是：綜合分數以 0.32 分有利於 Salesforce，而 Google 在各資料集上的表現並未公開。任何人若聲稱在（比如說）客服中心音訊上取得明確勝利，都是在從一個有一半權重偏向合成對話的綜合分數進行外推。

託管模型就是更勝一籌的地方

Google 這一端有四項能力在 Salesforce 的版本中沒有對應功能，而每一項都決定了一類產品。

• 語言 — 85 種以上，具備自動偵測與工作階段中途的語碼轉換，對比七種歐洲語言。若您的音訊包含華語、印地語、阿拉伯語或日語，SOV-Transcribe-1 就不是候選方案，準確度比較也毫無意義。

• 講者結構 — 最多可對八位講者進行語者分離（diarization），超過三位講者的歸屬標示為實驗性。SOV-Transcribe-1 完全沒有記載任何語者分離；兩人通話的逐字稿回來時會是一整塊無法區分的文字。

• 時間戳記 — 批次端點上的字詞級輸出。Salesforce 的模型會輸出一個轉錄字串，因此字幕生成或依時間戳記進行合規搜尋必須在下游建置。

• 串流 — 專用的即時端點，提供十分鐘工作階段與雙向 WebSocket 傳輸。SOV-Transcribe-1 明確不支援串流；沒有可啟用的部分轉錄模式。

還有第五個差異，它不是一項功能，而是一項限制。Google 自家的文件指出，字詞級時間戳記會降低轉錄準確度，且與自訂詞彙不相容；而說話者分離也同樣與詞彙偏置不相容。託管模型讓你每次請求都得選擇要哪一種能力。Salesforce 模型則讓你一次就得做出選擇，而且是在「永遠不做說話者分離」這個層級上。

開放模型領先之處，超越分數之外

顯而易見的答案是資料落地（data residency），而對很大一部分買家而言，這也正是正確答案：Apache 2.0 權重跑在你自行掌控的硬體上，意味著音訊永遠不會離開這棟建築。對於金融服務或醫療保健領域的客服中心錄音，這往往是硬性要求，而非偏好，而且無論 WER 多好，任何託管式 API 都過不了這一關。

比較不顯而易見的答案是偏置。在 Contextual Earnings-22 上，SOV-Transcribe-1 將關鍵字 F1 從沒有提示時的 71.9，提升到提供該片段自身關鍵字時的 96.8；而當拿到整小時的關鍵字清單、其中大多數項目都是干擾項時，仍維持 94.0。Gemini 也提供自訂詞彙偏置，最多可達 1,000 個詞彙，據報導最佳結果約在 100 個詞彙左右——但它無法與你可能也會需要的說話者分離或時間戳記結合使用。如果產品重點是實體準確度，兩個模型都能做到；但只有其中一個能在做到這一點的同時，還輸出說話者標籤。

風格控制是第三項。SOV-Transcribe-1 經過訓練，可接受指令——逐字稿與清理版、數字與文字、保留或移除填充詞——而 Salesforce 報告指出，在提供指令的情況下，偏好感知 WER 為 5.05%。Google 的對應功能是「Smart transcription」，它涵蓋填充詞移除與意圖感知格式化，但這是一種模式，而非指令介面。

真正重要的成本比較

Google 發布 Gemini 3.5 Transcribe，價格為每百萬音訊輸入 token 2.00 美元、每百萬輸出 token 12.00 美元；定價頁面換算下來，輸入約每分鐘 0.003 美元、輸出約每分鐘 0.002 美元，混合計算則約每分鐘 0.005 美元。Artificial Analysis 的排行榜則將同一模型列為每 1,000 分鐘 5.00 美元。無論採用哪一種算法，一千分鐘的音訊大約花費五美元。

SOV-Transcribe-1 沒有每分鐘價格，因為 Salesforce 並未販售端點。可比較的數字是吞吐量：在原生支援 vLLM 與 DFlash 草稿模型的情況下，一張 RTX PRO 6000 Blackwell Server Edition 每秒最多可轉錄 1,039 秒的音訊。以這樣的速度，單張卡大約一分鐘的實際時間就能處理一千分鐘，因此相對於每 1,000 分鐘 5 美元的 API，只要達到任何可觀的量，交叉點就會出現——但如果你每週只轉錄三小時，還得按小時租用這張卡才能做到，那這個交叉點就永遠不會出現。

那項算術附帶兩點注意事項。1,039 這個數字是 2026 年 11 月 vLLM 開發版建置的測量結果，設定為 max_num_seqs=64；這也是在載入草稿模型後，讓啟動剖析維持在 96 GB 以內所需的設定。此外，該整合是一個固定綁定 vLLM 0.32.0 的外掛，原生上游支援則被描述為仍在開發中。你不只是在買一張 GPU；你還在維護一套服務堆疊。

決策規則

當下列任一情況成立時，請選用 Gemini 3.5 Transcribe：音訊使用的語言不在七種歐洲語言之中、你需要將說話者標籤或時間戳作為一級輸出、你需要在音訊仍在傳入時取得部分轉錄稿，或是你的用量低到 GPU 永遠無法回本。0.32 個百分點的準確率差距是真實成本，但這項成本是在一項綜合指標上衡量的，而該指標有一半權重偏向合成對話；它換來四項你原本必須自行打造的能力。

當音訊以英文為主且實體密集、詞彙可事先得知、錄音長度不到三十分鐘，以及{{2}}「音訊留在我們自己的硬體上」{{/2}}是合約條文而非偏好時，請選用{{1}}SOV-Transcribe-1{{/1}}。錄製銷售通話的整夜批次轉錄，正是這款模型顯然針對的工作負載。

混合式架構是常見結果，而棘手之處從來不在於轉錄本身，而在於轉錄會餵入第二個模型——摘要器、分類器、QA 代理——而更換這個下游消費者，就意味著要換新供應商、新金鑰和新帳單。OrcaRouter 移除了這一步：200+ 個文字、影像與影片模型，只需一組金鑰 以供應商牌價、0% 加成計費，因此轉錄稿下游的模型可以替換或容錯切換，完全不必動到轉錄管線。它並不託管任何一種語音模型，也不需要這麼做。轉錄層維持原位；路由從它產生的文字開始。

唯一不該做的，就是把 0.32 分的差距當成決策依據。它是這項比較中最小的數字，而且對大多數團隊來說，影響也最小。