SOV-Transcribe-1 對比 Nemotron 3.5 Transcribe：相隔十五天，但只有一個是真正的產品

開放權重的語音辨識在兩週內兩度易主。NVIDIA 於 2026 年 10 月 28 日發布 Nemotron 3.5 Transcribe；Salesforce 於 11 月 12 日發布 SOV-Transcribe-1。在 Artificial Analysis 的綜合評分上，較新的模型勝出：SOV-Transcribe-1 的 AA-WER 為 2.28%，Nemotron 3.5 Transcribe 則為 2.81%。這就是整套推銷說辭的全部，而它比表面上看起來更單薄。NVIDIA 隨附了說話者分段、逐字時間戳、四十種語言、一小時錄音、三種量化格式、一份已發布的技術報告，以及一套附有食譜的服務堆疊。Salesforce 隨附的則是排行榜上最漂亮的數字，以及一張寫著技術報告即將推出的模型卡。如果你要挑選的是放進產品、而非放上排行榜的模型，那麼準確率差距並不是真正重要的軸線。

兩種架構，兩種截然不同的押注

Nemotron 3.5 Transcribe 是一款結合 Mamba-2 與 Transformer 的混合專家（MoE）語言模型——Nemotron 3.5 Lightning 30B A3B——搭載並行專家編碼器：一個約 6 億參數的 Transformer ASR 編碼器，以及一個獨立的 9900 萬參數語者編碼器，另加一個用於時間戳對齊的 CTC 頭。總參數達 340 億，其中包含音訊編碼器在內有 43 億活躍參數。

SOV-Transcribe-1 走的是相反的路線。它採用現成的 Whisper large-v3 編碼器，加裝一個投影器，再將結果交給 Gemma 4 26B A4B 解碼器——總計 26.6B，啟用 4.6B。NVIDIA 打造的是語音前端並接上自家的語言模型，Salesforce 則是把通用語言模型接到人人都已具備的語音前端上。這就是為什麼 SOV 檢查點在 BF16 下是 53 GB，而 Nemotron 的 BF16 版本需要 80 GB H100：Salesforce 模型承載的總權重較少，而且其格式目前尚未發布量化版本。

• 總參數 — SOV-Transcribe-1 為 26.6B，Nemotron 3.5 Transcribe 為 34B，兩者皆計入音訊編碼器。

• 活躍參數——4.6B 對上 4.3B。實際上可說是不相上下，而這正是有趣之處：Salesforce 以略大的活躍參數集與明顯更小的參數總量，取得更低的錯誤率。

• 音訊限制 — 30 分鐘對比 1 小時，NVIDIA 端則提供 65,536 個 token 的上下文。

• 語言 — 7 種歐洲語言相較於 40 種，且在 Nemotron 矩陣中支援語碼轉換。

• 精度 — 僅支援 BF16（FP32 路由器），相較於 BF16、FP8 與 NVFP4 檢查點，其中最後者可在 RTX 5090 上執行。

• 授權 — Apache 2.0 與 OpenMDW-1.1。Apache 比起來寬鬆得多，對某些法務團隊來說，光是這一點就能拍板。

兩家廠商都跑過的一項基準測試，但數字並不一致

這是本文中最有用的比較，因為這是唯一能將兩張模型卡放在同一項測試中並排對照的地方。VoiceCodeBench 衡量結構化數值的轉錄——電子郵件地址、檔案路徑、識別碼、帳號——並回報兩項指標：標準符元與實體匹配，也就是目標內容被還原了多少；以及任務成功率，也就是所有目標值都正確的錄音所占的比例。

NVIDIA 的模型卡同時公布：CTEM 88.53% 與 TSR 59.33%，以及在該集合上 8.38% 的詞錯誤率。Salesforce 的模型卡則針對同一基準公布兩項數字：76.3% 通過所有目標實體，以及 93.4% 的實體被找回；並稱其在開放權重系統中排名第一、在總共 23 個系統中排名第二。這些數字分別對應到 TSR 與 CTEM，但這種對應並不成立。Salesforce 聲稱全通過率為 76.3%，而 NVIDIA 在同一指標上報告 59.33%；Salesforce 聲稱實體找回率為 93.4%，而 NVIDIA 報告 88.53%。

有些解釋是無害的。VoiceCodeBench 是由第三方營運的私人排行榜，分數會隨時間更新版本，而兩家廠商可能提交了不同的快照。也有一種不那麼無害的解釋：這兩個數字之一，被描述得比該基準自身報告所能支撐的更有把握。讀者能得出的結論很有限，且值得直說——在兩者都被拿來衡量的那項結構化數值基準上，Salesforce 的模型似乎在把每個數值都做對這件事上明顯更好，而這項優勢的大小則取決於你讀的是哪一方的說明卡，有五到十七個百分點的爭議。

NVIDIA 推出了什麼，而 Salesforce 沒有

這裡的落差不是漸進式的。這些是能力，不是分數，而每一項都省去了一部分你原本得自行打造的下游工作。

• 講者歸屬轉錄——在 AMI、CALLHOME、Mixer 6 與 NOTSOFAR-1 上進行完整的多講者評估，平均 cpWER 為 15.80，並提供細至個別遠場麥克風情況的分條件結果。SOV-Transcribe-1 則完全未記載任何講者分段（diarization）功能。

• 單字時間戳記 — 一個 CTC 對齊頭，傳回單字文字及其開始與結束時間、一份語者分離區段對應表，以及一個對齊錯誤欄位。Salesforce 卡片則傳回一個轉錄字串。

• 語音翻譯、語言辨識與音訊問答——各自擁有獨立基準的獨立任務，其中包括在數種語言上達到 100% 的 FLEURS 語言辨識。SOV-Transcribe-1 能以七種語言進行轉錄，僅此而已。

• 一份技術報告——以 PDF 形式發布，其中訓練資料的組成逐項列出，細到哪些語料庫是向誰取得授權。Salesforce 將其報告標示為「即將推出」。

• 量化階梯與部署食譜——消費級 Blackwell 上的 NVFP4、SGLang-Omni 路徑、原生 Windows 上的 GGML。Salesforce 整合是一個釘在 0.32.0 的 vLLM 外掛，上游支援被描述為仍在開發中。

那份清單上必須坦白指出的但書是：廣度與深度彼此取捨。一個在 40 種語言與七類任務上訓練的模型會分散自身容量；一個只在七種歐洲語言與轉錄任務上訓練的模型，則能把全部容量投注在那裡。0.53 分的綜合差距，正是這種取捨奏效時的樣子。

請仔細閱讀份量數字。

兩家廠商都在同一張顯示卡上進行基準測試，這讓這項比較格外單純——也格外容易出錯。

• Salesforce、SOV-Transcribe-1 — 在單張 RTX PRO 6000 Blackwell Server Edition 上，啟用 DFlash 草稿模型、採用 vLLM 開發版組建，並在 max_num_seqs=64 設定下，每秒可處理高達 1,039 秒的音訊。

• NVIDIA、Nemotron 3.5 Transcribe — 在同一張顯示卡上以 NVFP4 搭配 DFlash2 推測解碼，每秒可處理高達 2,238 秒的音訊，並在 0.13 秒內回傳 30 秒音訊片段的逐字稿。

NVIDIA 的數字超過兩倍，而 NVIDIA 在自己的模型卡中說明了原因：這些最佳化存在於 Nemotron Transcribe NIM 中，並未包含在開源版本裡；模型卡將該開源版本描述為速度約慢兩倍，且是供模型開發使用。因此，同基準比較——在同一張卡上，以開源 vLLM 對開源 vLLM——大約是每秒 1,119 音訊秒對上 1,039 音訊秒。NVIDIA 仍領先約百分之八，而且在領先的同時，它也是能在輸出串流中提供說話者標籤與時間戳記的模型。

這對買家來說意味著，兩款模型都不是以吞吐量為採購依據。兩者都能吃滿一張現代顯卡；兩者也都需要專屬的一張卡。真正的決定因素是：你需要哪種輸出，以及你能運行哪種下載版本；而在第二個問題上，Nemotron 完勝，因為 NVFP4 檢查點可在成本僅為 96 GB 伺服器級零件一小部分的硬體上運行，而 Salesforce 的模型則沒有可運行的量化版本。

SOV-Transcribe-1 真正是更好選擇的情況

三種情況，而第一種最明顯。若語言是英文、且產品賣點是實體準確度，那麼在綜合評分上 2.28% 對 2.81% 是實質差距，而 Salesforce 模型最弱的環節——在 Earnings22-Cleaned 上為 4.06%——仍優於綜合模型對這場競賽所意味的水準。在 Contextual Earnings-22 上，SOV-Transcribe-1 回報關鍵詞 F1 在加入該音檔自身的提示後由 71.9 升至 96.8，而在提供整小時關鍵詞清單作為干擾項時仍維持 94.0。NVIDIA 以其自家的 Contextual Earnings22 數據以詞錯誤率而非 F1 回報，從無上下文時的 12.54% 降至在地化後的 9.58%，因此兩者無法直接比較——但結果的形態，即提示清單有幫助、而干擾項繁多的提示清單依然有幫助，在兩者上是一致的。

第二個情況是授權。對一家法務審查對衍生作品有意見的公司來說，Apache 2.0 與 OpenMDW-1.1 之間的取捨並不是形式問題。如果你打算進行微調並重新散布，或把模型嵌入你出貨的產品中，Apache 這條路會比較短。

第三點是範圍的單純性。只做一件事的模型就只回傳一件事，而預期收到轉錄字串的管線，比起收到可能不需要的結構化物件（包含講者標籤、時間戳與對齊錯誤欄位），更容易理解。想要自行掌握語者分離（diarization）的團隊——因為他們已經運行可信賴的講者嵌入模型——能從較窄的模型獲得較乾淨的輸入。

在沒有排行榜的情況下從中選擇

如果音訊是一場會議、一通有多人同時說話的電話，或任何「是誰說的」屬於交付內容一部分的場合，答案就是 Nemotron 3.5 Transcribe，而準確度的問題也就無關緊要了——SOV-Transcribe-1 根本無法產出該欄位。如果音訊并非英語，同樣的道理適用，而且更為明顯。如果錄音長度超過三十分鐘，或需要跑在比資料中心顯示卡更小的硬體上，答案同樣是 NVIDIA。

如果音訊是英文、單一講者，或已在上游完成語者分離，長度不到半小時，且交付成果是含有正確專有名詞的文字，那麼 SOV-Transcribe-1 是現今可取得且更準確的轉錄工具，而 Apache 授權則省去了一場談判。這比發布報導所暗示的工作負載範圍更窄，但確實是一個真實的範圍。

混合式流程在這裡同樣是常態結果，而它們帶出一個兩張模型卡都沒談到的實際問題：之後由誰來讀取轉錄稿。OrcaRouter 把200 多個文字、圖像與影片模型放在同一把金鑰後面，採供應商定價、0% 加價，因此下游的摘要器或擷取器可以替換或容錯切換，而不必再簽第二份合約——當轉錄稿來源還未定案時格外有用。這兩款語音模型都不透過它提供服務，我們也沒有如此宣稱；路由是從文字所在之處開始的。

這兩次發布之間相隔兩週，改變的並不是哪個模型坐上了開放權重排行榜的榜首，而是這張榜單已不再有明確答案，答案如今取決於你買的是轉錄器，還是轉錄流水線。NVIDIA 賣的是後者，Salesforce 發布的是前者，而且做得極其出色。