SOV-Transcribe-1 est le modèle vocal ouvert le plus précis. Il est aussi le moins pratique.

Le SOV-Transcribe-1 de Salesforce est le meilleur système de reconnaissance vocale à poids ouverts jamais publié. Sur le classement non-streaming d’Artificial Analysis, il obtient un AA-WER de 2,28 %, inférieur à celui de tous les modèles propriétaires, à quelques exceptions près, et nettement inférieur à celui de tous les modèles téléchargeables : Nemotron 3.5 Transcribe se situe à 2,81 % et le fidèle Whisper Large v3 Turbo à 4,62 %. Le hic est inscrit dans la même fiche modèle : SOV-Transcribe-1 est non-streaming, couvre sept langues, est livré sous forme de checkpoint BF16 de 53 Go et a vocation à être exécuté par vos soins sur votre propre GPU. Il a été publié le 12 novembre 2026 sous licence Apache 2.0, et la précision n’est pas la partie intéressante de l’histoire. La partie intéressante, c’est ce qu’il en coûte pour transformer cette précision en pipeline opérationnel.

Ce que Salesforce a réellement mis sur Hugging Face

Le dépôt est salesforce-sovereign-intelligence/SOV-Transcribe-1, créé le 10 novembre et modifié à nouveau le 11 ; l’article de lancement et le classement dans Artificial Analysis ont tous deux été publiés le 12. Il s’agit du premier modèle de langage augmenté par la parole à poids ouverts de Salesforce, ce qui constitue une affirmation architecturale précise plutôt qu’un argument marketing : un encodeur audio alimente un projecteur, et un grand décodeur à mélange d’experts écrit la transcription.

• Taille — 26,6 B de paramètres au total, 4,6 B actifs par token, et les deux chiffres incluent l’encodeur audio. C’est ce couplage sur lequel le lancement s’appuie, car il place le modèle à la frontière de la précision par paramètre actif plutôt que de celle par paramètre 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.

• Précision — poids BF16 avec le routeur MoE conservé en FP32. Le checkpoint est composé de seize shards safetensors totalisant environ 53 Go, donc « open weights » désigne ici un téléchargement qui ne tiendra pas sur une seule carte de 48 Go en BF16.

• Audio — entrée mono 16 kHz, jusqu’à 30 minutes par enregistrement tel que testé. Les fichiers plus longs sont le problème de l’appelant : la solution de contournement recommandée consiste à découper aux frontières de parole et à concaténer.

• Langues — anglais, français, allemand, espagnol, italien, portugais et néerlandais. Sept, toutes européennes, l’anglais dominant dans chaque benchmark publié par Salesforce.

• Contrôle — instructions dans le message de l'utilisateur. Sortie verbatim ou nettoyée, ponctuation et majuscules, chiffres versus nombres écrits en toutes lettres, et biais contextuel facultatif avec une liste de mots-clés ou une phrase décrivant le domaine.

• Frameworks — un plugin vLLM épinglé à la version 0.32.0 de vLLM, ou Transformers 5.19 à 5.22 avec le code de modélisation propre au dépôt. La prise en charge native en amont est décrite comme en cours de développement, et non livrée.

• Décodage spéculatif — un modèle draft DFlash distinct, SOV-Transcribe-1-DFlash, propose quinze tokens à la fois. Salesforce mesure une accélération de décodage de 2–3x pour le service à requête unique, avec une précision « dans les limites de la variation d’une exécution à l’autre ».

D'où vient le 2,28 %

Artificial Analysis ne publie pas un WER unique. Son indice AA-WER v2 est un composite pondéré de trois ensembles : AA-AgentTalk à 50 %, VoxPopuli-Cleaned-AA à 25 % et Earnings22-Cleaned-AA à 25 %. Cette pondération compte, car les trois composantes divergent sur ce modèle d’un facteur de près de trois.

• AA-AgentTalk — taux d'erreur de mots de 1,79 %, l'ensemble conversationnel synthétique portant la moitié du poids de l'indice.

• VoxPopuli-Cleaned — 1,50 %, parole lue issue d’enregistrements du Parlement européen. C’est le domaine où le modèle réussit le mieux et celui qui est le plus proche de son mélange d’entraînement en sept langues.

• Earnings22-Cleaned — 4,06 %, de véritables conférences de résultats avec noms, symboles boursiers et chiffres. C'est le point le plus faible du modèle et celui qui est le plus proche de l'audio d'entreprise réel.

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.

Les propres chiffres du fournisseur, et ce qu’ils valent

Tout ce qui figure dans cette section est rapporté par Salesforce. Rien de tout cela n’a été reproduit en dehors de l’entreprise, et deux des benchmarks ne sont pas publics, ce qui signifie que personne à l’extérieur ne peut les reproduire, même en principe.

• Exactitude des entités — sur VoiceCodeBench, un classement privé géré par BeSimple, SOV-Transcribe-1 réussit d’emblée sur 76,3 % des enregistrements (toutes les entités cibles correctes) et récupère 93,4 % des entités. Salesforce indique que cela le place premier parmi les systèmes à poids ouverts et deuxième sur 23 au total. Comme l’ensemble est privé, la seule preuve disponible est le résumé du fournisseur.

• Accents — 8,21 % de WER moyen sur AppTek Call-Center Dialogues pour quatorze accents anglais, avec l’erreur la plus faible sur huit des quatorze. C’est le chiffre le plus utile du lancement pour quiconque gère des lignes d’assistance, et c’est le plus difficile à vérifier.

• Bruit et hallucination — 25,69 % de WER sur HALAS, un ensemble d'appels de résultats annoté par des humains et choisi pour le risque d'hallucination. L'ensemble de comparaison correspond aux chiffres publiés par les fournisseurs eux-mêmes : Qwen3-ASR 1.7B à 26,01 %, Voxtral Small 24B à 27,35 %, Nemotron 3.5 Transcribe à 31,59 % et Granite Speech 5.0 2B à 34,51 %. Un taux d'erreur de 25,69 % reste un mot sur quatre, et l'écart avec le modèle suivant est de 0,32 point.

• Suivi du style — WER sensible aux préférences de 5,05 % lorsque le format demandé est fourni sous forme d’instruction, derrière IBM Granite Speech 5.0 2B à 4,70 %. L’affirmation concernant le respect des instructions est réelle, mais elle ne constitue pas un avantage.

• Biais contextuel — sur Contextual Earnings-22, le F1 des mots-clés passe de 71,9 sans indices à 96,8 avec les mots-clés propres au clip, et atteint encore 94,0 lorsqu'on lui remet la liste des mots-clés de l'heure entière, dont la plupart sont des distracteurs. C'est le résultat le plus convaincant du lancement, car c'est dans le biais contextuel à forte proportion de distracteurs que le renforcement naïf par mots-clés échoue généralement.

L'addition arrive au moment du service

Il n’existe pas de prix d’hébergement pour SOV-Transcribe-1. Salesforce a publié des poids, et non un endpoint, et aucun hébergeur d’inférence tiers n’apparaît sur le tableau d’Artificial Analysis avec un chiffre par tranche de 1 000 minutes pour ce modèle. La comparaison des coûts ne porte donc pas sur des dollars par minute face à une API — mais sur des heures de GPU face à une API, et la fiche du modèle fournit des chiffres d’une complétude inhabituelle pour ce calcul.

• Débit — avec la prise en charge native de vLLM et le draft DFlash activé, une RTX PRO 6000 Blackwell Server Edition (96 Go) transcrit jusqu’à 1 039 secondes d’audio par seconde, et renvoie la transcription d’un enregistrement de 30 secondes en 0,22 seconde. Il s’agit d’une mesure de traitement par lots réalisée sur une version de développement de vLLM en novembre 2026, sur une seule carte.

• Latence selon la longueur du clip — sans le modèle draft : 0,16 s pour un audio jusqu’à 10 s, 0,44 s pour 10–30 s, 0,88 s pour 30–60 s, 2,78 s pour 1–5 minutes. Avec DFlash : 0,09, 0,15, 0,31 et 1,26 s.

• Mémoire — max_num_seqs=64 est nécessaire pour que le profilage au démarrage tienne dans une carte de 96 Go une fois le modèle draft chargé. La valeur par défaut de vLLM, 1 024 séquences simultanées, épuise la mémoire. C’est un modèle qui veut une carte dédiée, pas une fraction de carte.

• Point de comparaison — les entrées propriétaires les moins chères du tableau Artificial Analysis coûtent entre 1,67 $ et 5,00 $ pour 1 000 minutes d’audio. À 1 039 secondes d’audio par seconde, une seule carte dépasse 1 000 minutes en environ une minute de temps réel ; le seuil de rentabilité face à une API à 5,00 $ les 1 000 minutes est donc atteint rapidement à fort volume — et il n’est jamais atteint si votre volume ne représente que quelques heures par semaine.

Trois lacunes sur lesquelles l'article de lancement ne s'attarde pas

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.

Deux éléments plus mineurs figurent sur la même liste. Le rapport technique est signalé comme « bientôt disponible », si bien que les données d'entraînement, le protocole d'évaluation au-delà de ce que montre la fiche, et l'analyse des défaillances manquent tous encore. Et la prise en charge native de vLLM n'est aujourd'hui qu'un plugin ; la fiche indique que Salesforce compte l'intégrer au projet amont, ce qui signifie que l'intégration que vous adoptez maintenant pourrait devoir changer.

Quand c’est de toute façon le bon modèle

Le profil de précision désigne un acheteur précis. L’audio en anglais riche en entités — numéros de compte, adresses e-mail, noms de médicaments, symboles boursiers — est le terrain où la combinaison de 2,28 % d’AA-WER et du résultat Contextual Earnings-22 porte réellement ses fruits. Un pipeline qui connaît déjà le vocabulaire de l’appel et peut le fournir au modèle sous forme de liste d’indices obtient un gain mesurable qu’une API généraliste n’égalera pas sans le même support de biaisage.

La résidence des données constitue le second cas d'usage. Des poids Apache 2.0 exécutés sur votre propre matériel signifient que l'audio ne quitte jamais le bâtiment, et pour les enregistrements de centres d'appels dans des secteurs réglementés, c'est souvent la contrainte décisive plutôt qu'un simple avantage. La limite de 30 minutes et l'absence de streaming sont des coûts acceptables lorsque la charge de travail consiste en une transcription par lots nocturne d'appels enregistrés.

La dictée avec un style maison est la troisième. Le contrôle par instruction du verbatim par rapport à une sortie nettoyée, du formatage des chiffres et de la suppression des mots de remplissage constitue un véritable différenciateur face aux pipelines dérivés de Whisper, où le prompt est un préfixe textuel plutôt qu’une instruction que le modèle a été entraîné à suivre.

Une remarque pratique pour quiconque intègre cela dans un système plus vaste : la transcription est généralement l’entrée d’un autre élément — un outil de résumé, un agent de questions-réponses, un classificateur de tickets. C’est à cette deuxième étape qu’un routeur justifie sa place. OrcaRouter place plus de 200 modèles texte, image et vidéo derrière une seule clé avec les tarifs catalogue des fournisseurs répercutés à 0 % de marge, ce qui permet de remplacer le modèle qui lit la sortie de SOV-Transcribe-1 ou de basculer vers un autre en cas de défaillance sans contrat supplémentaire. Il n’héberge pas SOV-Transcribe-1 lui-même ; le modèle vocal s’exécute sur votre GPU, et le routage commence là où commence le texte.

Qu’est-ce qui n’est pas encore prouvé ?

Trois éléments détermineront si ce modèle semblera encore aussi bon dans six mois qu’il ne l’a été lors de sa semaine de lancement. La reproduction indépendante des chiffres concernant les entités et les accents est le premier : VoiceCodeBench est privé et AppTek est le corpus d’un seul fournisseur, donc les affirmations les plus importantes sur le plan commercial sont celles qui bénéficient du moins de preuves externes. La robustesse sur des enregistrements audio longs, désordonnés et à plusieurs locuteurs vient en deuxième, et le chiffre de 4,06 % sur Earnings22 est le seul signal public — réel, mais limité. Le troisième est de savoir si le serving devient plus simple. Un plugin vLLM épinglé à une seule version, un téléchargement de 53 Go et une limite de 64 séquences représentent autant de frictions que le support en amont et des versions quantifiées supprimeraient.

Pour l'instant, le résumé honnête est que Salesforce a publié le modèle de reconnaissance vocale ouvert le plus précis disponible et a été inhabituellement transparent sur la nature du compromis : sept langues, trente minutes, pas de streaming, un GPU. Savoir si ce compromis vous convient est une question qui concerne votre audio, pas le classement.