SOV-Transcribe-1 هو أدق نموذج كلام مفتوح. وهو أيضًا الأقل سهولة في الاستخدام.

يُعد SOV-Transcribe-1 من Salesforce أفضل متعرّف كلام مفتوح الأوزان نشره أحد حتى الآن. وعلى لوحة Artificial Analysis غير المتدفقة، يسجل 2.28% AA-WER، وهي نسبة أقل من كل نموذج احتكاري باستثناء حفنة، وأقل من كل نموذج قابل للتنزيل بفارق واضح — إذ يقع Nemotron 3.5 Transcribe عند 2.81%، بينما يقع Whisper Large v3 Turbo، الذي طال بقاؤه في الخدمة، عند 4.62%. غير أن المشكلة مكتوبة في بطاقة النموذج نفسها: SOV-Transcribe-1 غير متدفق، ويغطي سبع لغات، ويُشحن كنسخة نموذج BF16 بحجم 53 غيغابايت، ومصمم لتقديمه بنفسك على وحدة معالجة الرسومات الخاصة بك. وقد صدر في 12 نوفمبر 2026 بموجب Apache 2.0، والدقة ليست الجزء المثير للاهتمام في القصة. الجزء المثير للاهتمام هو ما تكلفه تحويل تلك الدقة إلى خط معالجة عامل.

ما الذي وضعته Salesforce فعليًا على Hugging Face

المستودع هو salesforce-sovereign-intelligence/SOV-Transcribe-1، أُنشئ في 10 نوفمبر وتم تعديله مرة أخرى في 11؛ وقد صدر منشور الإطلاق وإدراج Artificial Analysis كلاهما في 12. وهو أول نموذج لغوي معزّز بالكلام مفتوح الأوزان من Salesforce، وهذه دعوى معمارية محددة لا تسويق: يغذّي مُرمّز صوتي مُسقِطًا، ويكتب مفكك ترميز كبير قائم على مزيج الخبراء النص المنسوخ.

• الحجم — 26.6B معامل إجمالًا، و4.6B نشطة لكل رمز، ويشمل كلا الرقمين مُرمِّز الصوت. وهذا الاقتران هو ما يعتمد عليه الإطلاق، لأنه يضع النموذج على تخوم الدقة لكل معامل نشط بدلًا من تخوم الدقة لكل معامل إجمالي.

• Architecture — a Whisper large-v3 audio encoder, a small projector that stacks four encoder frames into one embedding, and a Gemma 4 26B A4B mixture-of-experts text decoder. The audio path is inherited, the language path is G​oogle's, and the contribution is the adaption between them.

• الدقة — أوزان BF16 مع إبقاء موجّه MoE بدقة FP32. تتكوّن نقطة التحقق من ستة عشر جزءًا من safetensors يبلغ مجموعها نحو 53 غيغابايت، لذا فإن "الأوزان المفتوحة" هنا تعني تنزيلًا لن يتّسع على بطاقة واحدة بسعة 48 غيغابايت بصيغة BF16.

• الصوت — إدخال أحادي بتردد 16 kHz، حتى 30 دقيقة لكل تسجيل كما تم اختباره. الملفات الأطول هي مشكلة المتصل: الحل البديل الموصى به هو التقسيم عند حدود الكلام ثم الدمج.

• اللغات — الإنجليزية والفرنسية والألمانية والإسبانية والإيطالية والبرتغالية والهولندية. سبع لغات، كلها أوروبية، والإنجليزية هي المهيمنة في كل اختبار معياري نشرته Salesforce.

• التحكم — التعليمات الموجودة في رسالة المستخدم. الإخراج الحرفي أو المُنقّح، وعلامات الترقيم والكتابة بالأحرف الكبيرة، والأرقام الرقمية مقابل الأرقام المكتوبة بالحروف، والتحيّز الاختياري للسياق عبر قائمة كلمات مفتاحية أو جملة تصف المجال.

• أُطر العمل — إضافة vLLM مثبّتة على vLLM 0.32.0، أو Transformers 5.19 حتى 5.22 مع شيفرة النمذجة الخاصة بالمستودع. يُوصف الدعم الأصلي في المنبع بأنه قيد العمل، وليس مُصدَرًا.

• فك التشفير التخميني — يقترح نموذج مسودة DFlash منفصل، SOV-Transcribe-1-DFlash، خمسة عشر رمزًا في المرة الواحدة. وتقيس Salesforce تسريعًا في فك التشفير بمقدار 2–3 أضعاف لخدمة الطلبات الفردية، بدقة "ضمن تباين التشغيل إلى التشغيل".

من أين تأتي نسبة 2.28%؟

لا تنشر Artificial Analysis معدل WER واحدًا. إن مؤشر AA-WER v2 الخاص بها هو مركّب مرجّح من ثلاث مجموعات: AA-AgentTalk بنسبة 50%، وVoxPopuli-Cleaned-AA بنسبة 25%، وEarnings22-Cleaned-AA بنسبة 25%. هذا الترجيح مهم، لأن المكوّنات الثلاثة تختلف بشأن هذا النموذج بمعامل يقارب ثلاثة.

• AA-AgentTalk — معدل خطأ في الكلمات 1.79%، المجموعة الحوارية الاصطناعية التي تحمل نصف وزن المؤشر.

• VoxPopuli-Cleaned — 1.50%، كلام مقروء من تسجيلات البرلمان الأوروبي. هذا هو أفضل مجال لدى النموذج، والأقرب إلى مزيج التدريب الخاص به المكوّن من سبع لغات.

• Earnings22-Cleaned — 4.06%، مكالمات أرباح حقيقية تتضمن الأسماء ورموز التداول والأرقام. هذا هو أسوأ سطح لدى النموذج والأقرب إلى الصوت المؤسسي الفعلي.

The ranking claim needs two numbers, not one. Artificial Analysis' own summary of the open-weight field is that SOV-Transcribe-1 leads it, with Mistral's Voxtral Small at 2.77% second and NVIDIA's Nemotron 3.5 Transcribe at 2.81% third — sixteen open-weight entries among 65 evaluated. Across the whole board, Artificial Analysis announced the model as seventh of 44 overall on 12 November. The board we read on 13 November places SOV-Transcribe-1 eighth, behind seven proprietary and newer systems including A​libaba's Fun-Realtime-ASR-preview, ElevenLabs Scribe v3 and Microsoft's MAI-Transcribe-2. Both statements are true on their own date; only one of them is true today.

أرقام المورّد نفسه، وما قيمتها

كل ما في هذا القسم مُبلَّغ عنه من Salesforce. لم يُعَد إنتاج أي منه خارج الشركة، واثنان من المعايير المرجعية ليسا علنيين، ما يعني أن لا أحد خارج الشركة يستطيع إعادة إنتاجهما حتى من حيث المبدأ.

• دقة الكيانات — في VoiceCodeBench، وهي لوحة صدارة خاصة تديرها BeSimple، يجتاز SOV-Transcribe-1 نسبة 76.3% من التسجيلات بشكل كامل (مع صحة كل كيان مستهدف) ويستعيد 93.4% من الكيانات. وتُفيد Salesforce بأن ذلك يجعله الأول بين الأنظمة مفتوحة الأوزان والثاني من أصل 23 إجمالًا. ولأن المجموعة خاصة، فإن الدليل الوحيد المتاح هو ملخص المورّد.

• اللكنات — 8.21% متوسط WER على AppTek Call-Center Dialogues عبر أربع عشرة لكنة إنجليزية، مع أدنى خطأ في ثمانٍ من الأربع عشرة. هذا هو الرقم الأكثر فائدة في الإطلاق لأي شخص يدير خطوط الدعم، وهو الأصعب في التحقق.

• الضوضاء والهلوسة — معدل خطأ الكلمات (WER) ‏25.69% على HALAS، وهي مجموعة مكالمات أرباح مُعلّمة بشريًا اختيرت لمخاطر الهلوسة. مجموعة المقارنة هي الأرقام المنشورة من المورّدين أنفسهم: Qwen3-ASR 1.7B عند 26.01%، وVoxtral Small 24B عند 27.35%، وNemotron 3.5 Transcribe عند 31.59%، وGranite Speech 5.0 2B عند 34.51%. لا يزال معدل الخطأ 25.69% يعني كلمة واحدة من كل أربع، والفارق إلى النموذج التالي 0.32 نقطة.

• اتباع الأسلوب — معدل WER المراعي للتفضيلات 5.05% عندما يُقدَّم التنسيق المطلوب كتعليمة، في المرتبة الثانية بعد Granite Speech 5.0 2B من IBM عند 4.70%. إن ادعاء اتباع التعليمات حقيقي لكنه ليس في الصدارة.

• الانحياز السياقي — في Contextual Earnings-22، يرتفع مقياس F1 للكلمات المفتاحية من 71.9 دون أي تلميحات إلى 96.8 عند تزويده بالكلمات المفتاحية الخاصة بالمقطع نفسه، ولا يزال يسجل 94.0 عند تسليمه قائمة الكلمات المفتاحية الكاملة الخاصة بالساعة، والتي معظمها عناصر مشتتة. هذه هي النتيجة الأكثر إقناعًا في الإطلاق، لأن الانحياز المثقل بالعناصر المشتتة هو المجال الذي عادةً ما ينهار فيه تعزيز الكلمات المفتاحية الساذج.

تصل الفاتورة في وقت التقديم

لا يوجد سعر استضافة لـ SOV-Transcribe-1. فقد نشرت Salesforce الأوزان، لا نقطة نهاية، ولا يظهر أي مضيف استدلال تابع لجهة خارجية على لوحة Artificial Analysis برقم لكل 1,000 دقيقة خاص به. لذا فإن مقارنة التكلفة ليست بالدولارات لكل دقيقة مقابل واجهة برمجة تطبيقات — بل هي ساعات GPU مقابل واجهة برمجة تطبيقات، وبطاقة الطراز تقدّم أرقامًا مكتملة على نحو غير معتاد لهذه الحسابات.

• الإنتاجية — مع الدعم الأصلي لـ vLLM وتفعيل مسودة DFlash، تنسخ بطاقة واحدة RTX PRO 6000 Blackwell Server Edition (96 GB) ما يصل إلى 1,039 ثانية من الصوت في الثانية، وتعيد النص المكتوب لتسجيل مدته 30 ثانية في 0.22 ثانية. هذا رقم خاص بخدمة الدفعات (batch-serving) تم قياسه على إصدار تطويري من vLLM في نوفمبر 2026، على بطاقة واحدة.

• زمن الاستجابة حسب طول المقطع — بدون نموذج المسودة: 0.16 ثانية لما يصل إلى 10 ثوانٍ من الصوت، و0.44 ثانية لمدة 10–30 ثانية، و0.88 ثانية لمدة 30–60 ثانية، و2.78 ثانية لمدة 1–5 دقائق. مع DFlash: 0.09 و0.15 و0.31 و1.26 ثانية.

• الذاكرة — يلزم ضبط max_num_seqs=64 لإبقاء تنميط بدء التشغيل ضمن حدود بطاقة بسعة 96 غيغابايت بعد تحميل النموذج المسوّد. القيمة الافتراضية في vLLM البالغة 1,024 تسلسلًا متزامنًا تنفد منها الذاكرة. هذا نموذج يحتاج بطاقة مخصصة له بالكامل، لا شريحة منها.

• نقطة مقارنة — أرخص الخيارات المملوكة على لوحة Artificial Analysis تتراوح بين 1.67 دولار و5.00 دولارات لكل 1,000 دقيقة من الصوت. وعند 1,039 ثانية من الصوت لكل ثانية، تُنجز بطاقة واحدة 1,000 دقيقة في نحو دقيقة واحدة من الزمن الفعلي، لذا تتحقق نقطة التعادل مقابل واجهة API بسعر 5.00 دولارات لكل 1,000 دقيقة سريعًا عند الأحجام الكبيرة — ولا تتحقق أبدًا إذا كان حجم استخدامك بضع ساعات أسبوعيًا.

ثلاث ثغرات لا يتوقف عندها منشور الإطلاق طويلاً

The first is streaming. SOV-Transcribe-1 is non-streaming by design. G​oogle's G​emini 3.5 Transcribe has a separate live endpoint, O​penAI's G​PT Transcribe accepts realtime transcription sessions over WebSocket, and Nemotron 3.5 Transcribe handles long recordings with timestamp output. If your product is live captions or a voice agent that needs partial transcripts, this model is not in the conversation, whatever its WER.

The second is speaker structure. The model card documents transcription, style control and context biasing. It does not document speaker diarization or word-level timestamps, and those are the two features that turn a transcript into something a compliance team or a meeting product can index. G​emini 3.5 Transcribe handles up to eight speakers; Nemotron 3.5 Transcribe advertises speaker-attributed transcription and timestamp prediction. SOV-Transcribe-1 asks you to recover that structure downstream.

The third is language coverage. Seven languages is narrow next to Nemotron's forty and G​emini's 85-plus, and it is narrow in a specific direction: all seven are European, and the multilingual benchmarks Salesforce published are consistent with that. If your audio is Portuguese and Dutch, this is arguably the best open model available. If it is Hindi, Japanese or Arabic, it is not an option.

هناك بندان أصغر ينتميان إلى القائمة نفسها. التقرير الفني مرتبط بعبارة «قريبًا»، لذا لا تزال بيانات التدريب وبروتوكول التقييم بما يتجاوز ما تعرضه البطاقة وتحليل حالات الفشل جميعها مفقودة. ودعم vLLM الأصلي هو إضافة اليوم؛ وتقول البطاقة إن Salesforce تسعى إلى دمجه في المشروع الأم، ما يعني أن التكامل الذي تعتمده الآن قد يحتاج إلى التغيير.

عندما يكون هذا هو النموذج الصحيح على أي حال

يشير ملف الدقة إلى مشترٍ محدد. فالصوت الإنجليزي المزدحم بالكيانات — أرقام الحسابات، وعناوين البريد الإلكتروني، وأسماء الأدوية، ورموز الأسهم — هو حيث تؤتي التركيبة المكوّنة من 2.28% AA-WER ونتيجة Contextual Earnings-22 ثمارها فعليًا. وخط المعالجة الذي يعرف مسبقًا مفردات المكالمة، ويستطيع تقديمها إلى النموذج كقائمة تلميحات، يحقق تحسنًا قابلًا للقياس لا تضاهيه واجهة برمجة تطبيقات عامة من دون دعم الانحياز نفسه.

إقامة البيانات هي الحالة الثانية. أوزان Apache 2.0 على عتادك الخاص تعني أن الصوت لا يغادر المبنى أبدًا، وبالنسبة لتسجيلات مراكز الاتصال في الصناعات الخاضعة للتنظيم، غالبًا ما يكون ذلك هو القيد الحاسم بدلًا من كونه ميزة إضافية. وحد الـ30 دقيقة وغياب البث المباشر هما تكلفتان مقبولتان عندما يكون عبء العمل هو النسخ الدفعي الليلي للمكالمات المسجلة.

الإملاء ذو الأسلوب الخاص هو الثالث. إن التحكم بالتعليمات في الإخراج الحرفي مقابل الإخراج المنقّح، وتنسيق الأرقام، وإزالة الحشو، يمثّل عامل تمييز حقيقيًا مقابل خطوط المعالجة المشتقة من Whisper، حيث يكون الموجّه بادئة نصية لا تعليمة دُرّب النموذج على اتباعها.

ملاحظة عملية واحدة لكل من يربط هذا بنظام أكبر: النص المنسوخ هو عادةً مدخل لشيء آخر — ملخِّص، أو وكيل أسئلة وأجوبة، أو مصنِّف تذاكر. تلك القفزة الثانية هي حيث يثبت الموجّه قيمته. يضع OrcaRouter أكثر من 200 نموذج للنصوص والصور والفيديو خلف مفتاح واحد مع أسعار قوائم المزوّدين تمرَّر دون أي هامش ربح، لذا يمكن تبديل النموذج الذي يقرأ مخرجات SOV-Transcribe-1 أو التحويل الاحتياطي عنه عند الفشل دون عقد ثانٍ. وهو لا يستضيف SOV-Transcribe-1 نفسه؛ إذ يعمل نموذج الكلام على وحدة معالجتك الرسومية، ويبدأ التوجيه من حيث يبدأ النص.

ما الذي لا يزال غير مُثبت؟

ثلاثة أمور ستحدد ما إذا كان هذا النموذج سيبدو جيدًا بعد ستة أشهر كما يبدو في أسبوع إطلاقه. إعادة الإنتاج المستقلة لأرقام الكيان واللكنة هي الأولى: VoiceCodeBench خاص وAppTek مجموعة نصوص لمورّد واحد، لذا فإن الادعاءات الأكثر أهمية تجاريًا هي التي لديها أقل قدر من الأدلة الخارجية. والمتانة على صوت طويل وفوضوي ومتعدد المتحدثين هي الثانية، ورقم 4.06% في Earnings22 هو الإشارة العامة الوحيدة — حقيقي، لكنه ضيق. والثالثة هي ما إذا كانت قصة تقديم الخدمة ستصبح أبسط. فإضافة vLLM مثبتة على إصدار واحد، وتنزيل بحجم 53 GB، وسقف 64 تسلسلًا كلها احتكاك كان دعم المنبع والبنيات المكمّمة سيزيله.

في الوقت الحالي، الخلاصة الصادقة هي أن Salesforce قد نشرت أدق متعرّف كلام مفتوح متاح، وكانت شفافة على نحو غير معتاد بشأن شكل المقايضة: سبع لغات، وثلاثون دقيقة، وبلا بث، ووحدة معالجة رسومات واحدة. أما ما إذا كانت هذه المقايضة مناسبة لك، فهذا سؤال يتعلق بملفك الصوتي، لا بلوحة الصدارة.