SOV-Transcribe-1 對決 GPT Transcribe：一個公布基準測試，另一個公布價格

OpenAI 從未公布 GPT Transcribe 的詞錯誤率。這個模型在 API 文件中以一個附有價格與端點清單的快照形式出現，這就是全部的公開紀錄——沒有準確率表、沒有語言清單，也沒有與前代模型的比較。這意味著，在這項比較中唯一站得住腳的數字，來自別人的評測框架：Artificial Analysis 測得 GPT Transcribe 的 AA-WER 為 3.31%，而 2026 年 11 月 12 日發布、開放權重的 Salesforce 模型 SOV-Transcribe-1 則為 2.28%。兩者相差整整一個百分點的詞錯誤率，而這是本文中最沒用的事實。有用的事實是：GPT Transcribe 可透過 WebSocket 工作階段即時串流，SOV-Transcribe-1 則完全無法串流；前者每分鐘收費 0.0045 美元，後者則要付出 GPU 成本；而且兩家廠商都不會告訴你，這兩個模型在您的音訊上表現如何。

OpenAI 實際上記錄了什麼

這個快照稱為 gpt-transcribe。它可處理已完成的音訊檔案、串流檔案轉錄，以及 Realtime 工作階段中透過 WebSocket 提交的輪次——因此串流是一項有文件記載的能力，具備自己的傳輸方式，而不是批次呼叫上的某個旗標。目錄頁面也註明支援非結構化上下文、關鍵字提示與多種語言提示，而這與 SOV-Transcribe-1 透過指令提供的偏誤引導形式相同。文件記載的價格為每音訊分鐘 $0.0045，換算下來是每小時音訊 $0.27，而實務工作者的說法是，轉錄一千小時的錄音通話成本為 $270。

同樣具有資訊價值的是那些未提供的內容。模型頁面僅以質性標籤「Highest」評定效能，並以「Medium」標示速度——沒有 WER、沒有各語言準確率、沒有以硬性上限形式載明的最大音訊長度，也沒有將其與 Whisper 比較的評估表。OpenAI 較舊的語音模型 Whisper Large v3 Turbo，擁有含限制章節的模型卡，背後還有一篇論文。GPT Transcribe 則只有價格、endpoint 清單和兩個形容詞。這並非指控——許多正式上線的模型在發布時並未公開評估——但這改變了買家在決定採用前所能查核的內容，也正是為什麼這個獨立測試框架在此處比在雙方都公開評估的比較中更為重要。

外側的那個數字，以及它有多大的份量

Artificial Analysis 以同一套三組複合測試來跑 G​PT Transcribe，該排行榜上的所有評測皆採用這套組合：AA-AgentTalk 佔 50% 權重、VoxPopuli-Cleaned 佔 25%、Earnings22-Cleaned 佔 25%。G​PT Transcribe 得分為 3.31%。同一套測試框架下，SOV-Transcribe-1 為 2.28%。

在信任這個差距之前，先看它的組成部分。SOV-Transcribe-1 的 2.28% 是以下三者的平均：合成對話集上的 1.79%、朗讀式議會演說上的 1.50%，以及真實財報電話會議上的 4.06%——其最佳與最差評測面向之間的差距接近三比一。如果 GPT Transcribe 也有類似的分佈差距，而且沒有已發表的理由讓人認為並非如此，那麼一分的綜合差距，在財報電話會議上可能變成兩分的差距，在朗讀語音上則可能只是捨入誤差。Artificial Analysis 之外沒有人知道，而 Artificial Analysis 公布的是綜合分數，不是每個模型在各資料集上的細分。

第二個獨立指標是速度。同一個測試平台測得 G​PT Transcribe 的速度係數為 43.1——也就是每經過一秒實際時間，可處理 43.1 秒的音訊。作為對照，同一項測量中，Whisper Large v3 Turbo 為 339.5，G​emini 3.5 Transcribe 為 94.4。G​PT Transcribe 是四者中最慢的，而且差距很大；如果你轉錄的是檔案庫而不是電話通話，這個數字就決定了你的佇列深度。

開放模型的數字從何而來，又到哪裡為止

SOV-Transcribe-1 的 2.28% 是獨立數據，但其餘幾乎所有內容皆由 Salesforce 回報。模型卡宣稱，在私有排行榜 VoiceCodeBench 上的完整通過率達 76.3%，同一資料集上的實體恢復率達 93.4%；在 AppTek Call-Center Dialogues 的十四種英語口音上平均 WER 為 8.21%；在聚焦幻覺的財報電話會議資料集 HALAS 上則為 25.69%。其中，目前只有 Artificial Analysis 綜合評分可由第三方重現。技術報告的連結標示為「即將推出」。

所以，對準確度比較的誠實描述，會以一種令人不安的方式呈現出不對稱：開放模型有較好的獨立評分，以及大量未經審核的廠商說法；而託管模型則有較差的獨立評分，且完全沒有廠商說法。這兩種立場都不強。如果你的決定取決於口音穩健性或實體準確度，你就是在廠商的一頁簡報與一片沉默之間做選擇，而唯一能解決這件事的方法，就是用幾百段你自己的音訊片段跑這兩者。

串流是終結爭論的關鍵差異

這不是細微差別。GPT Transcribe 會透過 WebSocket 開啟即時轉錄工作階段，並在音訊傳入時回傳部分文字。SOV-Transcribe-1 則明確不支援串流：它接收完整的錄音，最多三十分鐘的 16 kHz 單聲道音訊，並回傳完整的轉錄稿。沒有可啟用的部分輸出模式，也沒有任何設定能產生這種模式。

對於即時字幕產品、語音代理、客服中心座席輔助疊層，或任何必須在講者停止說話前就產生轉錄內容的場景，在討論準確率之前，比較就已經結束了。SOV-Transcribe-1 不是較慢的選項；它根本不是選項。反過來說，如果工作負載是對錄音通話進行隔夜批次轉錄——而這其實是多數企業語音量的真實樣貌——那麼串流就是你會付費、卻永遠不會用到的能力，而 1.03 個百分點的準確率優勢就是白送的收益。

第二個結構性差異就藏在這一點之下。GPT Transcribe 是託管端點：快照名稱固定不變，回應格式由 OpenAI 掌控、可隨時變更，而你一年後呼叫的版本仍是同一個名稱，只是背後搭載了屆時已推出的各種改進。SOV-Transcribe-1 只回傳一段轉錄字串，別無其他——沒有字詞時間戳，也沒有講者標籤——這確實是實質成本，但也意味著輸出格式完全取決於你的下游程式碼如何處理，而且除非你替換掉，否則你下載的權重永遠不會在你背後變動。

成本比較，並列出計算過程

G​PT Transcribe 採按音訊分鐘計價：每分鐘 $0.0045，也就是每一千分鐘 $4.50，這正是 Artificial Analysis 排行榜所列的數字。沒有需要建模的 token 計算，也沒有任何文件記載的折扣層級。

Salesforce 這邊沒有每分鐘的數字可以並列，因為沒有東西是按分鐘購買的。這張卡改為提供吞吐量：憑藉原生 vLLM 支援與 DFlash 草稿模型，一台 RTX PRO 6000 Blackwell Server Edition 每秒可轉錄多達 1,039 秒的音訊，並在 0.22 秒內回傳一段三十秒剪輯的逐字稿。一千分鐘的音訊是 60,000 秒，因此按此速率，只需不到一分鐘的 GPU 時間即可處理完畢。

把這兩個數字並排來看，會說明一件具體的事。以每千分鐘 4.50 美元計算，G​PT Transcribe 花 4.50 美元所能完成的工作，開放模型用一張顯卡約 58 秒就能做完。租用 RTX PRO 6000 每小時只要低個位數美元，所以在任何持續用量下，開放路線都比較便宜——但前提是那張卡一直有工作。每週三小時的音訊，顯卡有 99% 的時間閒置，API 反而便宜十倍，而且這還沒把維護固定在 0.32.0 版 vLLM 外掛的工程師算進去。

關於吞吐量數字有兩點注意事項，兩者都來自模型卡。這是 2026 年 11 月的開發版量測，而且需要 max_num_seqs=64，才能在載入草稿模型後，讓啟動剖析維持在該卡的 96 GB 以內。預設的 1,024 個並行序列會放不下。你是在規劃伺服器規模，不是在呼叫端點。

中庸之道，以及路由器的合適定位

大多數走到這一步的團隊並不會二選一。他們會為所有需要即時互動的場景保留託管 API，再為積壓的存檔加上開放模型，這意味著兩條轉錄路徑、兩種輸出格式和兩個成本中心——而接下來，通常還有一個下游的文字模型，得同時對這兩邊的內容進行摘要、分類或檢索。

最後這一跳才是值得路由的一環。OrcaRouter 將200+ 個文字、圖像與影片模型放在單一金鑰之後 以供應商牌價提供，0% 加成，因此無論是讀取哪一份逐字稿的摘要工具或分類器，都能在無須簽訂新合約的情況下進行替換、比較或容錯切換——而該文字模型的供應商降價，也會在供應商自家價目表降價的同一天生效。它不託管 G​PT Transcribe 或 SOV-Transcribe-1；這兩個語音模型都不是我們提供的服務，路由是從它們產出的文字開始。這帶來的好處是，轉錄決策不再與分析決策綁在一起。

誰該選哪個

選擇 GPT Transcribe 的時機是：轉錄內容必須在音訊還在播放時就存在、你沒有 GPU 運算量能也沒意願自己建置、音量規模不大到每音訊小時 $0.27 相對於工程時間只是零頭，或者你只是需要一個背後有支援合約的供應商來支撐這個端點。把 1.03 個百分點的準確率差距當成換取這一切的代價，並請注意，在 43.1 倍即時速度下，你不該打算用它來回填大型檔案庫。

當音訊以英文為主、{{2}}每個檔案不超過三十分鐘{{/2}}，且需要在事後而非當下使用時；{{3}}當錄音無法離開你的基礎設施時{{/3}}；{{4}}當詞彙可事先得知並可作為提示清單提供時{{/4}}，{{5}}Salesforce 在 Contextual Earnings-22 上回報關鍵字 F1 從 71.9 提升到 96.8{{/5}}；以及{{6}}當你已經因為其他用途而運行 GPU{{/6}}、{{7}}使顯示卡的邊際成本接近於零時{{/7}}，{{1}}請選擇 SOV-Transcribe-1{{/1}}。

你不該做的是緊抓著 3.31% 與 2.28% 的差距不放。這兩個數字來自同一套測試工具、同一種複合加權，而且兩個模型都沒有公布各測試集的細項拆分。它們足以說明這個開放模型在英語對話與朗讀語音上可能更準確，但不足以說明在你的音訊上會準確多少；而 GPT Transcribe 具備、SOV-Transcribe-1 沒有的能力——串流、託管端點、無需自建服務堆疊即可使用關鍵字與語言提示，以及正常運行時間背後有供應商合約保障——根本不是用 WER 衡量的。