SOV-Transcribe-1 ist das genaueste offene Sprachmodell. Es ist zugleich das unbequemste.

Salesforces SOV-Transcribe-1 ist das beste Open-Weights-Spracherkennungssystem, das je veröffentlicht wurde. Im Non-Streaming-Board von Artificial Analysis erzielt es 2,28 % AA-WER; das ist niedriger als bei allen proprietären Modellen bis auf eine Handvoll und mit klarem Abstand niedriger als bei jedem herunterladbaren Modell – Nemotron 3.5 Transcribe liegt bei 2,81 % und das seit Langem etablierte Whisper Large v3 Turbo bei 4,62 %. Der Haken steht in derselben Modellkarte: SOV-Transcribe-1 ist nicht für Streaming ausgelegt, deckt sieben Sprachen ab, wird als 53-GB-BF16-Checkpoint ausgeliefert und ist dafür gedacht, von Ihnen auf Ihrer eigenen GPU betrieben zu werden. Es wurde am 12. November 2026 unter Apache 2.0 veröffentlicht, und die Genauigkeit ist nicht der interessante Teil der Geschichte. Interessant ist, was es kostet, diese Genauigkeit in eine funktionierende Pipeline zu verwandeln.

Was Salesforce tatsächlich auf Hugging Face veröffentlicht hat

Das Repository salesforce-sovereign-intelligence/SOV-Transcribe-1 wurde am 10. November erstellt und am 11. erneut bearbeitet; der Launch-Post und die Platzierung bei Artificial Analysis erschienen beide am 12. Es ist Salesforce’ erstes sprachaugmentiertes Sprachmodell mit offenen Gewichten, was eine konkrete Architekturbehauptung und kein Marketing ist: Ein Audio-Encoder speist einen Projektor, und ein großer Mixture-of-Experts-Decoder erzeugt das Transkript.

• Größe — insgesamt 26,6 Mrd. Parameter, 4,6 Mrd. pro Token aktiv, und beide Angaben schließen den Audio-Encoder ein. Auf diese Kombination stützt sich die Markteinführung, denn sie rückt das Modell an die Grenze der Genauigkeit pro aktivem Parameter statt an die der Genauigkeit pro Gesamtparameter.

• 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.

• Präzision — BF16-Gewichte, wobei der MoE-Router in FP32 gehalten wird. Der Checkpoint besteht aus sechzehn Safetensors-Shards mit insgesamt rund 53 GB, sodass „offene Gewichte“ hier einen Download bedeuten, der in BF16 nicht auf eine einzelne 48-GB-Karte passt.

• {{1}}Audio{{/1}} — 16-kHz-Mono-Eingang, bis zu 30 Minuten pro Aufnahme (getestet). Längere Dateien sind das Problem des Anrufers: Der empfohlene Workaround besteht darin, an Sprachgrenzen aufzuteilen und zu verketten.

• Sprachen – Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch und Niederländisch. Sieben, alle europäisch, Englisch dominierend in jedem Benchmark, den Salesforce veröffentlicht hat.

• Steuerung — Anweisungen in der Benutzernachricht. Wörtliche oder bereinigte Ausgabe, Interpunktion und Großschreibung, Ziffern versus ausgeschriebene Zahlen und optionales Kontext-Biasing mit einer Stichwortliste oder einem Satz, der die Domäne beschreibt.

• Frameworks — ein auf vLLM 0.32.0 festgelegtes vLLM-Plugin oder Transformers 5.19 bis 5.22 mit dem eigenen Modellierungscode des Repositorys. Native Upstream-Unterstützung wird als in Arbeit befindlich beschrieben, nicht als ausgeliefert.

• Spekulatives Decoding — ein separates DFlash-Draft-Modell, SOV-Transcribe-1-DFlash, schlägt jeweils fünfzehn Token auf einmal vor. Salesforce misst eine 2–3-fache Decode-Beschleunigung für Single-Request-Serving, wobei die Genauigkeit „innerhalb der Schwankungen zwischen den Durchläufen“ liegt.

Woher die 2,28 % kommen

Artificial Analysis veröffentlicht keinen einzelnen WER. Der AA-WER-v2-Index ist ein gewichteter zusammengesetzter Wert aus drei Datensätzen: AA-AgentTalk zu 50 %, VoxPopuli-Cleaned-AA zu 25 % und Earnings22-Cleaned-AA zu 25 %. Diese Gewichtung ist wichtig, denn die drei Komponenten weichen in Bezug auf dieses Modell um fast den Faktor drei voneinander ab.

• AA-AgentTalk — 1,79 % Wortfehlerrate, wobei das synthetische Konversationsset die Hälfte des Indexgewichts trägt.

• VoxPopuli-Cleaned — 1,50 %, vorgelesene Sprache aus Aufzeichnungen des Europäischen Parlaments. Dies ist die stärkste Oberfläche des Modells und diejenige, die seiner siebensprachigen Trainingsmischung am nächsten kommt.

• Earnings22-Cleaned — 4,06 %, echte Earnings Calls mit Namen, Ticker-Symbolen und Zahlen. Dies ist die schlechteste Oberfläche des Modells und diejenige, die echtem Unternehmensaudio am nächsten kommt.

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.

Die eigenen Zahlen des Anbieters – und was sie wert sind

Alles in diesem Abschnitt stammt von Salesforce. Nichts davon wurde außerhalb des Unternehmens reproduziert, und zwei der Benchmarks sind nicht öffentlich, was bedeutet, dass niemand außerhalb sie auch nur im Prinzip reproduzieren kann.

• Entitätsgenauigkeit — bei VoiceCodeBench, einem privaten Leaderboard von BeSimple, besteht SOV-Transcribe-1 bei 76,3 % der Aufnahmen auf Anhieb (jede Zielentität korrekt) und gewinnt 93,4 % der Entitäten zurück. Salesforce meldet das als ersten Platz unter Open-Weight-Systemen und als zweiten von 23 insgesamt. Da das Set privat ist, ist die einzige verfügbare Evidenz die Zusammenfassung des Anbieters.

• Akzente — 8,21 % durchschnittliche WER bei AppTek Call-Center Dialogues über vierzehn englische Akzente hinweg, mit dem niedrigsten Fehlerwert bei acht der vierzehn. Das ist die nützlichste Zahl der Markteinführung für alle, die Support-Hotlines betreiben, und sie ist am schwersten zu überprüfen.

• {{1}}Rauschen und Halluzination{{/1}} — {{2}}25,69 % WER bei HALAS{{/2}}, {{3}}einem von Menschen annotierten Earnings-Call-Set, das wegen des Halluzinationsrisikos ausgewählt wurde{{/3}}. {{4}}Das Vergleichsset sind die von den Anbietern selbst veröffentlichten Zahlen{{/4}}: {{5}}Qwen3-ASR 1.7B mit 26,01 %{{/5}}, {{6}}Voxtral Small 24B mit 27,35 %{{/6}}, {{7}}Nemotron 3.5 Transcribe mit 31,59 %{{/7}} und {{8}}Granite Speech 5.0 2B mit 34,51 %{{/8}}. {{9}}Eine Fehlerrate von 25,69 % ist immer noch ein Wort von vier{{/9}}, und {{10}}der Abstand zum nächsten Modell 0,32 Punkte beträgt{{/10}}.

• Stilbefolgung — 5,05 % präferenzbewusste WER, wenn das angeforderte Format als Anweisung vorgegeben wird, an zweiter Stelle hinter IBM's Granite Speech 5.0 2B mit 4,70 %. Die Behauptung zur Anweisungsbefolgung ist berechtigt, aber sie ist keine Führungsrolle.

• Context-Biasing — bei Contextual Earnings-22 steigt der Keyword-F1 von 71,9 ohne Hinweise auf 96,8 mit den eigenen Keywords des Clips und erreicht immer noch 94,0, wenn die Keyword-Liste der gesamten Stunde übergeben wird, deren Großteil aus Ablenkungen besteht. Dies ist das überzeugendste Einzelergebnis des Launches, denn Biasing mit vielen Ablenkungen ist der Bereich, in dem naives Keyword-Boosting üblicherweise zusammenbricht.

Die Rechnung kommt beim Servieren.

Für SOV-Transcribe-1 gibt es keinen gehosteten Preis. Salesforce hat Gewichte veröffentlicht, keinen Endpoint, und auf dem Artificial Analysis-Board taucht kein Drittanbieter-Inferenzhost mit einer Angabe pro 1.000 Minuten dafür auf. Der Kostenvergleich erfolgt also nicht in Dollar pro Minute gegenüber einer API – sondern in GPU-Stunden gegenüber einer API, und die Modellkarte liefert für diese Rechnung ungewöhnlich vollständige Zahlen.

• Durchsatz — mit nativer vLLM-Unterstützung und aktiviertem DFlash-Draft transkribiert eine RTX PRO 6000 Blackwell Server Edition (96 GB) bis zu 1.039 Sekunden Audio pro Sekunde und liefert das Transkript einer 30-Sekunden-Aufnahme in 0,22 Sekunden zurück. Das ist ein Batch-Serving-Wert, gemessen auf einem vLLM-Development-Build im November 2026, auf einer Karte.

• Latenz nach Clip-Länge — ohne das Draft-Modell: 0,16 s für bis zu 10 s Audio, 0,44 s für 10–30 s, 0,88 s für 30–60 s, 2,78 s für 1–5 Minuten. Mit DFlash: 0,09, 0,15, 0,31 und 1,26 s.

• Speicher — max_num_seqs=64 ist erforderlich, damit das Startup-Profiling auf einer 96-GB-Karte bleibt, sobald das Draft-Modell geladen ist. vLLMs Standardwert von 1.024 gleichzeitigen Sequenzen läuft aus dem Speicher. Das ist ein Modell, das eine dedizierte Karte will, nicht einen Teil einer Karte.

• Vergleichspunkt — die günstigsten proprietären Angebote auf dem Artificial-Analysis-Board kosten $1,67 bis $5,00 pro 1.000 Minuten Audio. Bei 1.039 Sekunden Audio pro Sekunde schafft eine einzelne Karte 1.000 Minuten in etwa einer Minute Echtzeit, sodass der Break-even gegenüber einer API für $5,00 pro 1.000 Minuten bei Volumen schnell erreicht ist — und gar nicht erreicht wird, wenn Ihr Volumen nur ein paar Stunden pro Woche beträgt.

Drei Lücken, auf die der Launch-Post nicht eingeht

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.

Zwei kleinere Punkte gehören auf dieselbe Liste. Der technische Bericht ist als „demnächst verfügbar“ verlinkt, daher fehlen weiterhin die Trainingsdaten, das Evaluationsprotokoll – über das hinaus, was die Karte zeigt – und die Fehleranalyse. Und die native vLLM-Unterstützung ist derzeit ein Plugin; laut der Karte möchte Salesforce sie upstream einbringen, was bedeutet, dass die Integration, für die Sie sich jetzt entscheiden, möglicherweise angepasst werden muss.

Wenn dies ohnehin das richtige Modell ist

Das Genauigkeitsprofil weist auf einen bestimmten Käufer hin. Stark entitätslastiges englisches Audio – Kontonummern, E-Mail-Adressen, Arzneimittelnamen, Tickersymbole – ist genau der Bereich, in dem sich die Kombination aus 2,28 % AA-WER und dem Ergebnis von Contextual Earnings-22 tatsächlich auszahlt. Eine Pipeline, die den Wortschatz des Anrufs bereits kennt und ihn dem Modell als Hinweisliste übergeben kann, erzielt eine messbare Verbesserung, die eine Allzweck-API ohne dieselbe Biasing-Unterstützung nicht erreichen wird.

Datenresidenz ist der zweite Fall. Apache-2.0-Gewichte auf Ihrer eigenen Hardware bedeuten, dass die Audiodaten das Gebäude nie verlassen, und für Callcenter-Aufzeichnungen in regulierten Branchen ist das oft die entscheidende Einschränkung statt eines Nice-to-have. Das 30-Minuten-Limit und das Fehlen von Streaming sind akzeptable Kosten, wenn die Arbeitslast in der nächtlichen Batch-Transkription aufgezeichneter Anrufe besteht.

Das Diktieren mit einem Hausstil ist das dritte. Die Steuerung per Anweisung über wörtliche versus bereinigte Ausgabe, Ziffernformatierung und Entfernung von Füllwörtern ist ein echtes Unterscheidungsmerkmal gegenüber von Whisper abgeleiteten Pipelines, bei denen der Prompt ein Textpräfix und keine Anweisung ist, deren Befolgung das Modell trainiert wurde.

Ein praktischer Hinweis für alle, die das in ein größeres System einbinden: Das Transkript ist normalerweise die Eingabe für etwas anderes – einen Summarizer, einen QA-Agenten, einen Ticket-Klassifikator. Genau bei diesem zweiten Sprung spielt ein Router seine Stärke aus. OrcaRouter bringt über 200 Text-, Bild- und Videomodelle hinter einem einzigen Schlüssel mit Provider-Listenpreisen, durchgereicht mit 0 % Aufschlag, sodass das Modell, das die Ausgabe von SOV-Transcribe-1 liest, ausgetauscht oder im Failover-Verfahren gewechselt werden kann, ohne einen zweiten Vertrag. SOV-Transcribe-1 selbst hostet er nicht; das Sprachmodell läuft auf deiner GPU, und das Routing beginnt dort, wo der Text beginnt.

Was ist noch unbewiesen

Drei Dinge werden entscheiden, ob dieses Modell in sechs Monaten noch so gut aussieht wie in seiner Launch-Woche. Die unabhängige Reproduktion der Entitäts- und Akzentzahlen ist das erste: VoiceCodeBench ist privat, und AppTek ist der Korpus eines einzelnen Anbieters, daher sind die kommerziell wichtigsten Aussagen diejenigen mit der geringsten externen Evidenz. Robustheit bei langem, unruhigem Audio mit mehreren Sprechenden ist das zweite, und die 4,06 % bei Earnings22 sind das einzige öffentliche Signal – real, aber eng begrenzt. Das dritte ist, ob die Serving-Story einfacher wird. Ein an eine Version gebundenes vLLM-Plugin, ein 53-GB-Download und eine Begrenzung auf 64 Sequenzen sind alles Reibungspunkte, die Upstream-Support und quantisierte Builds beseitigen würden.

Vorerst lautet die ehrliche Zusammenfassung, dass Salesforce den genauesten verfügbaren offenen Spracherkenner veröffentlicht hat und ungewöhnlich transparent darüber war, wie dieser Kompromiss aussieht: sieben Sprachen, dreißig Minuten, kein Streaming, eine GPU. Ob dieser Kompromiss für dich der richtige ist, ist eine Frage deines Audios, nicht des Leaderboards.