SOV-Transcribe-1 對決 Whisper Large v3 Turbo：兩年時間與 2.3 個 WER 百分點究竟值多少

Whisper Large v3 Turbo 在任何商業意義上都不是 SOV-Transcribe-1 的競爭對手。它是現任霸主——一個 8.09 億參數、以 MIT 授權、於 2024 年 10 月發布的檢查點，默默支撐著此後推出的大多數轉錄產品，而且至今仍以每千分鐘 0.67 美元的價格出現在託管端點上。SOV-Transcribe-1 則是挑戰者，由 Salesforce 於 2026 年 11 月 12 日發布，在 Artificial Analysis 的綜合評分中取得 2.28%，而 Whisper Large v3 Turbo 為 4.62%。所以問題不是哪個模型更好。而是當替代方案能放進筆電記憶體、每小時音訊只需幾美分時，把錯誤率減半是否值得 53 GB 的下載、96 GB 的 GPU 和一套服務堆疊。

兩年的進展究竟換來了什麼

Whisper Large v3 Turbo is a pruned Whisper large-v3 with the decoder cut from 32 layers to 4. O​penAI's own model card is disarmingly direct about it: "the exact same model, except that the number of decoding layers have reduced from 32 to 4. As a result, the model is way faster, at the expense of a minor quality degradation." That sentence describes a compression decision, not an architecture.

SOV-Transcribe-1 是另一種改變。Salesforce 保留了 Whisper large-v3 編碼器——也就是相同的前端——並將四層解碼器替換成一個置於投影器之後的 Gemma 4 26B A4B 混合專家語言模型。音訊感知能力承襲自 Whisper。而把音訊轉換成文字的部分，是一個通用語言模型，其規模是整個 Whisper turbo 檢查點的三十倍。

• 參數 — Whisper Large v3 Turbo 809M 對比 SOV-Transcribe-1 總計 26.6B、活躍 4.6B。

• 解碼器 — 4 層 Transformer，對比 26B 混合專家模型、每個 token 啟用 4.6B。

• 檢查點大小 — 低於 2 GB，相較之下 BF16 約為 53 GB。

• 語言——大約一百種對七種。這一項恰恰相反，而且反差極大。

• 時間戳記——內建於解碼迴圈中的句層級與詞層級輸出，相較之下則未記載任何相關功能。

• 授權條款 — MIT 與 Apache 2.0。兩者皆為寬鬆授權；MIT 稍微簡單一些。

• 硬體 — CPU 或小型 GPU，對比用於啟用草稿功能配置、搭載 96 GB 的 RTX PRO 6000 等級顯示卡。

最後一句話就是整個論點的縮影。一個模型隨處都能運行；另一個則要跑在某個伺服器零件上，而那個零件的成本，比大多數轉錄專案整年的雲端帳單還高。

沒有人做的誤差算術

字詞錯誤率只是一種抽象概念，直到你把它轉換成實際修正次數。以一千分鐘的英語語音語料為例，以對話速度每分鐘 150 字詞計算——共 150,000 字詞。在 4.62% 的情況下，Whisper Large v3 Turbo 會產生大約 6,900 個錯誤、遺漏或插入的字詞。在 2.28% 時，SOV-Transcribe-1 產生大約 3,400 個。差異約為 3,500 個字詞，人類不必再找出並修正。

現在來估算修正的成本。細心的編輯每分鐘大約可核對 200 到 400 字，將逐字稿與音檔相互比對，因此每千分鐘音檔少 3,500 個錯誤，大約可省下 9 到 18 分鐘的人工審閱。以每小時 30 美元的總成本（含間接費用）計算，即 4.50 到 9.00 美元——相較之下，託管版 Whisper 的轉錄成本為 0.67 美元。

這項比較正是多數團隊始終不遷移的原因。錯誤的人力成本以一個數量級壓過轉錄的機器成本，因此，能將錯誤減半的模型應值十倍的價格，而實際上，它是在跟一個早已微不足道的價格競爭。例外是完全沒有人審查輸出的任何流程——自動索引、搜尋、分析、摘要餵入——因為在那些地方，錯誤不會被修正，而會傳播到接下來讀取轉錄稿的任何環節，而真正造成傷害的正是二階成本。

這兩個分數所依據的指數本身也是混合體——一半是合成代理對話，四分之一是朗讀的議會演講，四分之一是真實財報電話會議——而這兩個模型在這三個部分上的表現差異很大。Whisper Large v3 Turbo 的各部分分別為 3.52%、3.97% 和 7.49%；SOV-Transcribe-1 則分別為 1.79%、1.50% 和 4.06%。差距在朗讀議會演講上最大——1.50% 對 3.97%，相差 2.6 倍——在財報電話會議上最小，兩個模型在該部分都表現不佳，差距為 4.06% 對 7.49%。如果你的音訊是乾淨的朗讀語音，升級效果會非常顯著。如果是混亂的多說話者財務音訊，兩個模型都很差，較新的模型只是沒那麼差而已。

為什麼 Whisper 依然贏得帳單

先從託管版本比較開始，因為這是多數團隊實際會遇到的情況。至少在 Artificial Analysis 排行榜上有一家託管供應商提供 Whisper Large v3 Turbo，價格為每千分鐘 0.67 美元，實測速度倍率為 339.5，也就是每經過一秒實際時間可處理 339.5 秒音訊。SOV-Transcribe-1 則完全沒有託管版本的每分鐘價格。Salesforce 發布的是權重，不是端點，而且排行榜上沒有任何項目列出它的每千分鐘數字。

因此比較就變成美元對上 GPU 小時，而模型卡提供了異常完整的數字。有了原生 vLLM 支援與 DFlash 草稿模型，一張 RTX PRO 6000 Blackwell Server Edition 每秒可轉錄高達 1,039 秒的音訊。把這張卡全速運行一小時，它能處理 374 萬秒的音訊——也就是 62,340 分鐘。以每小時幾美元的租用費來算，這大約是每千分鐘音訊三美分，比市面上最便宜的託管 Whisper 端點便宜二十倍。

那個數字是真的，卻也是本文中最具誤導性的數字，因為它假設顯卡從不閒置。語音轉錄具有突發性：積壓工作會在夜間出現、隨後被清空，接著 GPU 就會閒置二十小時、利用率為零。以每秒 1,039 音訊秒的速度，單張卡可在不到一小時內處理完一千小時的音訊。幾乎沒有人每天有一千小時的音訊。誠實的結論是：自行託管任一模型，都是關於使用率的經濟決策，而不是關於模型規模；而且一旦你決定要跑一張卡，較好模型的邊際成本就趨近於零。

Whisper 能做到、新模型卻做不到的三件事

語言涵蓋範圍是首要比較項目，而且差距懸殊。Whisper Large v3 Turbo 的模型卡列出近一百種語言，從英語、華語，一路到威爾斯語、馬爾他語、夏威夷語、寮語和巽他語。SOV-Transcribe-1 涵蓋英語、法語、德語、西班牙語、義大利語、葡萄牙語和荷蘭語。對任何音訊並非歐洲語言的團隊來說，這項比較毫無懸念——Whisper 不是節省預算的選項，而是兩者之間唯一的選項。

時間戳記是第二項。Whisper 的解碼迴圈會原生預測時間戳記，而 Transformers 管線只要透過單一參數，就能以句子或詞為粒度提供這些時間戳記；兩年來，字幕、章節標記與合規搜尋就是這樣建構在 Whisper 之上。SOV-Transcribe-1 的模型卡記載了轉錄、風格控制與上下文偏置，卻完全沒提到時間戳記。若要在下游擷取時間戳記，就意味著要對輸出執行強制對齊器，那是另一個模型、另一項依賴，也是另一個錯誤來源。

語音翻譯是第三項。Whisper 可以接收其任一來源語言的音訊，並直接輸出英文文字，這是解碼任務，而不是第二個管線階段。SOV-Transcribe-1 以所說的語言進行轉錄。如果你需要日本紀錄片的字幕，Whisper 一次呼叫就能做到，而 Salesforce 模型完全做不到。

Whisper's documented weaknesses deserve equal billing, since they are the strongest argument for moving. O​penAI's own card warns that the model hallucinates — producing text that was not spoken — because it was trained on weakly supervised, noisy data, and that this is worse in low-resource languages. It also notes that the sequence-to-sequence architecture is prone to repetition, only partly mitigated by beam search and temperature fallback. Those are exactly the failure modes that make an unreviewed pipeline dangerous, and they are what two years of architecture work was aimed at.

真正的移轉是什麼樣子

幾乎沒有人會用 SOV-Transcribe-1 取代 Whisper。他們是在兩者之間進行路由，而路由規則可以直接從規格中寫出來：如果音訊是英文或其他六種涵蓋語言之一、單一說話者、長度低於三十分鐘且實體密集，就把它送到帶有提示清單的開放模型；否則就留在 Whisper 上。Salesforce 的 Contextual Earnings-22 結果——關鍵字 F1 在沒有提示時為 71.9，使用片段本身的關鍵字時升至 96.8，而在把整小時的關鍵字清單當作干擾項交給它時仍維持 94.0——正是讓這種拆分值得的特定能力，因為這是 Whisper 的前綴提示偏置做得遠沒那麼好的一件事。

這種拆分方式的代價是基礎設施重複，以及兩種輸出格式：SOV-Transcribe-1 回傳逐字稿字串，Whisper 則回傳文字加上時間戳記區塊，而所有下游元件都必須同時接受這兩種格式。實務上，多數團隊會在邊界處正規化成自己的逐字稿結構，之後就不再在意是哪個模型產生的。

轉錄稿之後發生的事，才是會隨用量擴展的部分，而這正是路由器該發揮作用的地方，而不是第二家語音供應商：OrcaRouter 把200+ 個文字、圖像與影片模型置於單一金鑰之後，以供應商牌價、0% 加成提供，因此取用任一份轉錄稿的摘要器、索引器或分類器，都能在無需新合約的情況下替換或容錯切換——而且該模型供應商降價時，這裡當天就會生效。Whisper Large v3 Turbo 與 SOV-Transcribe-1 都不是透過它提供；兩者都是你自己執行的權重，而路由是從它們輸出的文字開始。

什麼會讓這項比較變得過時？

兩件事，而且兩者在一個發布週期內都合理。第一是量化 SOV 檢查點。Whisper Large v3 Turbo 的實際優勢在於它到哪都塞得下；一個 26.6B 模型的 4 位元版本仍會需要一張像樣的 GPU，但 FP8 或 NVFP4 版本——NVIDIA 在 Nemotron 3.5 Transcribe 上市首日就推出的那一種——會把 Salesforce 模型從「資料中心元件」變成「工作站元件」，並大幅消解部署方面的反對意見。Salesforce 已經發布了 MLX 4 位元版本，這暗示了方向。

第二個是時間戳記與說話者分離，會在小型版本更新中推出。兩者都明顯缺席，都是會議與媒體產品的必備功能，也正好是 v0.2 模型卡會補上的那種東西。如果這些功能到位，繼續使用 Whisper 的唯一理由就只剩上百種語言——而對很大一部分團隊來說，那本來就是他們現在使用它的唯一理由。

在那之前，這樣的分工穩定且容易說明：只要涉及多語言、需要時間戳、長尾或受 CPU 限制的情況，Whisper Large v3 Turbo 仍是正確的預設選擇；而當音訊是英文、詞彙已知，且輸出在交給機器處理前不會有人閱讀時，SOV-Transcribe-1 就是你會選用的專家級方案。