SOV-Transcribe-1 es el modelo de voz abierto más preciso. También es el menos conveniente.

SOV-Transcribe-1 es el mejor reconocedor de voz de pesos abiertos que se ha publicado. En la tabla de no streaming de Artificial Analysis, obtiene un 2,28 % de AA-WER, que es más bajo que el de todos los modelos propietarios excepto un puñado, y más bajo que el de todos los descargables por un margen claro: Nemotron 3.5 Transcribe se sitúa en 2,81 % y el veterano Whisper Large v3 Turbo, en 4,62 %. La letra pequeña está escrita en la misma ficha del modelo: SOV-Transcribe-1 no es de streaming, cubre siete idiomas, se distribuye como un checkpoint BF16 de 53 GB y está pensado para que lo sirvas tú en tu propia GPU. Se publicó el 12 de noviembre de 2026 bajo Apache 2.0, y la precisión no es la parte interesante de la historia. Lo interesante es lo que cuesta convertir esa precisión en un pipeline funcional.

Lo que Salesforce realmente publicó en Hugging Face

El repositorio es salesforce-sovereign-intelligence/SOV-Transcribe-1, creado el 10 de noviembre y modificado de nuevo el día 11; tanto la publicación de lanzamiento como la aparición en Artificial Analysis se produjeron el día 12. Se trata del primer modelo de lenguaje aumentado con voz y pesos abiertos de Salesforce, lo cual es una afirmación concreta sobre su arquitectura y no marketing: un codificador de audio alimenta a un proyector, y un gran decodificador de mezcla de expertos escribe la transcripción.

• Tamaño — 26,6B de parámetros en total, 4,6B activos por token, y ambas cifras incluyen el codificador de audio. Ese emparejamiento es en lo que se apoya el lanzamiento, porque sitúa al modelo en la frontera de precisión por parámetro activo en lugar de la de precisión por parámetro total.

• 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.

• Precisión: pesos en BF16 con el router MoE mantenido en FP32. El checkpoint consta de dieciséis fragmentos de safetensors que suman aproximadamente 53 GB, así que «pesos abiertos» aquí significa una descarga que no cabrá en una sola tarjeta de 48 GB en BF16.

• Audio — entrada mono de 16 kHz, hasta 30 minutos por grabación según las pruebas realizadas. Los archivos más largos son responsabilidad de quien llama: la solución alternativa recomendada es dividirlos en los límites del habla y concatenarlos.

• Idiomas: inglés, francés, alemán, español, italiano, portugués y neerlandés. Siete, todos europeos, con el inglés dominante en todos los benchmarks que Salesforce publicó.

• Control — instrucciones en el mensaje del usuario. Salida literal o corregida, puntuación y uso de mayúsculas, dígitos frente a números escritos con letras, y sesgo de contexto opcional con una lista de palabras clave o una frase que describa el dominio.

• Frameworks: un plugin de vLLM fijado a vLLM 0.32.0, o Transformers 5.19 a 5.22 con el propio código de modelado del repositorio. El soporte nativo de upstream se describe como trabajo en curso, no como ya disponible.

• Decodificación especulativa: un modelo borrador DFlash independiente, SOV-Transcribe-1-DFlash, propone quince tokens a la vez. Salesforce mide una aceleración de decodificación de 2 a 3 veces para el servicio de solicitud única, con una exactitud «dentro de la variación entre ejecuciones».

De dónde viene el 2,28%

Artificial Analysis no publica un único WER. Su índice AA-WER v2 es un compuesto ponderado de tres conjuntos: AA-AgentTalk al 50%, VoxPopuli-Cleaned-AA al 25% y Earnings22-Cleaned-AA al 25%. Esa ponderación importa, porque los tres componentes discrepan sobre este modelo por un factor de casi tres.

• AA-AgentTalk — tasa de error de palabras del 1,79 %, el conjunto conversacional sintético que aporta la mitad del peso del índice.

• VoxPopuli-Cleaned — 1,50 %, discurso leído procedente de grabaciones del Parlamento Europeo. Esta es la superficie donde mejor rinde el modelo y la más cercana a su mezcla de entrenamiento en siete idiomas.

• Earnings22-Cleaned — 4.06%, llamadas de resultados reales con nombres, tickers y números. Esta es la superficie más débil del modelo y la más cercana al audio empresarial real.

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.

Las cifras del propio proveedor y lo que valen

Todo en esta sección lo reporta Salesforce. Nada de ello se ha reproducido fuera de la empresa, y dos de los benchmarks no son públicos, lo que significa que nadie fuera puede reproducirlos ni siquiera en principio.

• Precisión de entidades — en VoiceCodeBench, una tabla de clasificación privada gestionada por BeSimple, SOV-Transcribe-1 supera directamente el 76,3 % de las grabaciones (todas las entidades objetivo correctas) y recupera el 93,4 % de las entidades. Salesforce lo informa como primero entre los sistemas de pesos abiertos y segundo de 23 en total. Como el conjunto es privado, la única evidencia disponible es el resumen del proveedor.

• Acentos — 8.21% de WER promedio en AppTek Call-Center Dialogues en catorce acentos del inglés, con el error más bajo en ocho de los catorce. Ese es el número más útil del lanzamiento para cualquiera que gestione líneas de soporte, y es el más difícil de verificar.

• Ruido y alucinación — 25.69% de WER en HALAS, un conjunto de llamadas de resultados anotado por humanos y seleccionado por el riesgo de alucinación. Las cifras de comparación son las publicadas por los propios proveedores: Qwen3-ASR 1.7B con 26.01%, Voxtral Small 24B con 27.35%, Nemotron 3.5 Transcribe con 31.59% y Granite Speech 5.0 2B con 34.51%. Una tasa de error del 25.69% sigue siendo una de cada cuatro palabras, y la diferencia con el siguiente modelo es de 0.32 puntos.

• Seguimiento de estilo — 5,05 % de WER sensible a las preferencias cuando el formato solicitado se proporciona como instrucción, solo por detrás de Granite Speech 5.0 2B de IBM, con 4,70 %. La afirmación sobre el seguimiento de instrucciones es cierta, pero no constituye un liderazgo.

• Sesgo contextual — en Contextual Earnings-22, el F1 de palabras clave sube de 71,9 sin pistas a 96,8 cuando se le proporcionan las palabras clave del propio clip, y aún obtiene 94,0 cuando se le entrega la lista de palabras clave de la hora completa, la mayoría de las cuales son distractores. Este es el resultado más convincente del lanzamiento, porque el sesgo con muchos distractores es justo donde suele fracasar el refuerzo ingenuo de palabras clave.

La cuenta llega a la hora de servir

No hay un precio alojado para SOV-Transcribe-1. Salesforce publicó los pesos, no un endpoint, y ningún proveedor de inferencia de terceros aparece en el panel de Artificial Analysis con una cifra por cada 1.000 minutos para él. Por lo tanto, la comparación de costos no es en dólares por minuto frente a una API, sino en horas de GPU frente a una API, y la tarjeta del modelo ofrece cifras inusualmente completas para esa aritmética.

• Rendimiento — con soporte nativo de vLLM y el borrador DFlash habilitado, una RTX PRO 6000 Blackwell Server Edition (96 GB) transcribe hasta 1.039 segundos de audio por segundo y devuelve la transcripción de una grabación de 30 segundos en 0,22 segundos. Se trata de una cifra de servicio por lotes medida en una compilación de desarrollo de vLLM en noviembre de 2026, en una sola tarjeta.

• Latencia por duración del clip — sin el modelo borrador: 0,16 s para hasta 10 s de audio, 0,44 s para 10–30 s, 0,88 s para 30–60 s, 2,78 s para 1–5 minutos. Con DFlash: 0,09, 0,15, 0,31 y 1,26 s.

• Memoria — se requiere max_num_seqs=64 para que el perfilado de arranque quepa en una tarjeta de 96 GB una vez cargado el modelo borrador. El valor predeterminado de vLLM de 1.024 secuencias concurrentes se queda sin memoria. Este es un modelo que quiere una tarjeta dedicada, no una porción de una.

• Punto de comparación — las opciones propietarias más baratas en la tabla de Artificial Analysis cuestan entre 1,67 y 5,00 USD por cada 1.000 minutos de audio. A 1.039 segundos de audio por segundo, una sola tarjeta supera los 1.000 minutos en aproximadamente un minuto de tiempo real, por lo que el punto de equilibrio frente a una API de 5,00 USD por cada 1.000 minutos llega rápido con volumen — y no llega nunca si tu volumen es de unas pocas horas a la semana.

Tres vacíos que la publicación de lanzamiento no aborda en profundidad

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.

Dos asuntos menores pertenecen a la misma lista. El informe técnico está enlazado como «próximamente», así que los datos de entrenamiento, el protocolo de evaluación más allá de lo que muestra la ficha y el análisis de fallos siguen faltando. Además, el soporte nativo de vLLM es hoy un plugin; la ficha dice que Salesforce pretende integrarlo upstream, lo que significa que la integración que adoptes ahora podría tener que cambiar.

Cuando este es el modelo correcto de todos modos

El perfil de precisión apunta a un comprador específico. El audio en inglés con muchas entidades —números de cuenta, direcciones de correo electrónico, nombres de medicamentos, símbolos bursátiles— es donde la combinación de 2,28 % de AA-WER y el resultado de Contextual Earnings-22 realmente rinde. Una canalización que ya conoce el vocabulario de la llamada y puede entregárselo al modelo como una lista de indicios obtiene una mejora medible que una API de uso general no igualará sin el mismo soporte de sesgo.

La residencia de datos es el segundo caso. Los pesos de Apache 2.0 en tu propio hardware significan que el audio nunca sale del edificio, y para las grabaciones de centros de llamadas en industrias reguladas eso suele ser la restricción decisiva, más que un simple extra. El límite de 30 minutos y la ausencia de streaming son costos aceptables cuando la carga de trabajo consiste en la transcripción por lotes nocturna de llamadas grabadas.

El dictado con un estilo propio es el tercero. El control mediante instrucciones sobre la salida literal frente a la corregida, el formato de los dígitos y la eliminación de muletillas es un diferenciador real frente a las canalizaciones derivadas de Whisper, donde el prompt es un prefijo de texto en lugar de una instrucción que el modelo fue entrenado para seguir.

Una nota práctica para quien vaya a integrar esto en un sistema más grande: la transcripción suele ser la entrada de otra cosa: un resumidor, un agente de preguntas y respuestas, un clasificador de tickets. Ese segundo salto es donde un enrutador se gana su lugar. OrcaRouter pone a disposición más de 200 modelos de texto, imagen y vídeo con una sola clave, con precios de lista de los proveedores repercutidos sin margen (0 %), de modo que el modelo que lee la salida de SOV-Transcribe-1 se puede sustituir o conmutar a otro en caso de fallo sin necesidad de un segundo contrato. No aloja SOV-Transcribe-1 en sí; el modelo de voz se ejecuta en tu GPU, y el enrutamiento empieza donde lo hace el texto.

¿Qué sigue sin demostrarse?

Tres cosas decidirán si este modelo se ve tan bien dentro de seis meses como en su semana de lanzamiento. La reproducción independiente de las cifras de entidades y acentos es lo primero: VoiceCodeBench es privado y AppTek es el corpus de un solo proveedor, así que las afirmaciones que más importan comercialmente son las que tienen menos evidencia externa. La robustez con audio largo, desordenado y con varios hablantes es lo segundo, y la cifra del 4.06 % en Earnings22 es la única señal pública: real, pero limitada. Lo tercero es si la historia de servicio se vuelve más sencilla. Un plugin de vLLM fijado a una sola versión, una descarga de 53 GB y un límite de 64 secuencias son fricciones que el soporte de upstream y las compilaciones cuantizadas eliminarían.

Por ahora, el resumen honesto es que Salesforce ha publicado el reconocedor de voz abierto más preciso disponible y ha sido inusualmente transparente sobre la forma del intercambio: siete idiomas, treinta minutos, sin streaming, una GPU. Que ese intercambio sea adecuado para ti es una cuestión de tu audio, no de la tabla de clasificación.