SOV-Transcribe-1 הוא מודל הדיבור הפתוח המדויק ביותר. הוא גם הפחות נוח.

SOV-Transcribe-1 של Salesforce הוא מנוע זיהוי הדיבור הטוב ביותר במשקולות פתוחות שמישהו פרסם. בלוח ה-non-streaming של Artificial Analysis הוא משיג 2.28% AA-WER, נתון נמוך מכל מודל קנייני למעט קומץ, ונמוך מכל מודל שניתן להוריד בפער ברור — Nemotron 3.5 Transcribe נמצא ב-2.81% ו-Whisper Large v3 Turbo הוותיק ב-4.62%. הבעיה כתובה באותו כרטיס דגם: SOV-Transcribe-1 אינו סטרימינג, מכסה שבע שפות, מגיע כצ'קפוינט BF16 בנפח 53 GB, ומיועד להיות מוגש על ידך על ה-GPU שלך. הוא שוחרר ב-12 בנובמבר 2026 תחת Apache 2.0, והדיוק אינו החלק המעניין בסיפור. החלק המעניין הוא מה העלות להפוך את הדיוק הזה לפייפליין עובד.

מה Salesforce למעשה העלתה ל-Hugging Face

המאגר salesforce-sovereign-intelligence/SOV-Transcribe-1 נוצר ב-10 בנובמבר ועודכן שוב ב-11; פוסט ההשקה והמיקום ב-Artificial Analysis הופיעו שניהם ב-12. זהו מודל השפה הראשון של Salesforce עם משקלים פתוחים ומשודרג בדיבור, וזו טענה ארכיטקטונית ספציפית ולא שיווקית: מקודד אודיו מזין פרויקטור, ומפענח גדול מסוג mixture-of-experts כותב את התמלול.

• גודל — 26.6B פרמטרים בסך הכול, 4.6B פעילים לכל טוקן, ושתי הספרות כוללות את מקודד האודיו. הצירוף הזה הוא מה שההשקה נשענת עליו, מכיוון שהוא מציב את המודל בחזית הדיוק ביחס לפרמטרים פעילים ולא בחזית הדיוק ביחס לסך הפרמטרים.

• 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.

• דיוק — משקלי BF16 עם נתב ה-MoE שנשמר ב-FP32. ה-checkpoint הוא שישה-עשר שברי safetensors בסך כולל של כ-53 GB, כך ש"משקלים פתוחים" כאן משמעו הורדה שלא תיכנס לכרטיס בודד של 48 GB ב-BF16.

• אודיו — קלט מונו בתדר 16 קילו-הרץ, עד 30 דקות לכל הקלטה כפי שנבדק. קבצים ארוכים יותר הם באחריות הצד הקורא: פתרון העקיפה המומלץ הוא לפצל בגבולות דיבור ולשרשר.

• שפות — אנגלית, צרפתית, גרמנית, ספרדית, איטלקית, פורטוגזית והולנדית. שבע, כולן אירופיות, אנגלית דומיננטית בכל בנצ'מרק שפרסמה Salesforce.

• שליטה — הוראות בהודעת המשתמש. פלט מילה במילה או מנוקה, פיסוק וכתיבה באותיות רישיות, ספרות לעומת מספרים במילים, והטיה אופציונלית של ההקשר עם רשימת מילות מפתח או משפט המתאר את התחום.

• מסגרות — תוסף vLLM מוצמד ל-vLLM 0.32.0, או Transformers 5.19 עד 5.22 עם קוד המודלים של המאגר עצמו. תמיכת upstream מקורית מתוארת כעבודה בעיצומה, ולא ככזו שכבר שוחררה.

• פענוח ספקולטיבי — מודל טיוטה נפרד מסוג DFlash, ‏SOV-Transcribe-1-DFlash, מציע חמישה־עשר טוקנים בכל פעם. Salesforce מודדת האצת פענוח של פי 2–3 עבור שירות בבקשה בודדת, עם דיוק "בתוך השונות בין ריצות".

מאיפה מגיע ה-2.28%?

Artificial Analysis אינה מפרסמת WER יחיד. מדד AA-WER v2 שלה הוא הרכב משוקלל של שלוש קבוצות: AA-AgentTalk ב-50%, VoxPopuli-Cleaned-AA ב-25% ו-Earnings22-Cleaned-AA ב-25%. לשקלול הזה יש חשיבות, מכיוון ששלושת הרכיבים חלוקים לגבי המודל הזה בפער של כמעט פי שלושה.

• AA-AgentTalk — שיעור שגיאות מילים של 1.79%, כאשר המערך השיחתי הסינתטי נושא במחצית ממשקל המדד.

• VoxPopuli-Cleaned — 1.50%, דיבור נקרא מהקלטות של הפרלמנט האירופי. זהו התחום החזק ביותר של המודל, והקרוב ביותר לתערובת האימון שלו בת שבע השפות.

• Earnings22-Cleaned — 4.06%, שיחות רווחים אמיתיות עם שמות, סימולי טיקר ומספרים. זהו התחום החלש ביותר של המודל והקרוב ביותר לאודיו ארגוני בפועל.

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.

המספרים של הספק עצמו, וכמה הם שווים

כל מה שבסעיף הזה מדווח על ידי Salesforce. אף חלק ממנו לא שוחזר מחוץ לחברה, ושניים מאמות המידה אינם פומביים, מה שאומר שאיש מחוץ לחברה לא יכול לשחזר אותם אפילו באופן עקרוני.

• דיוק ישויות — ב-VoiceCodeBench, לוח דירוג פרטי שמפעילה BeSimple, SOV-Transcribe-1 עובר 76.3% מההקלטות באופן מלא (כל ישות מטרה נכונה) ומשחזר 93.4% מהישויות. Salesforce מדווחת שזהו המקום הראשון среди מערכות במשקלים פתוחים והשני מבין 23 בסך הכול. מכיוון שהמערך פרטי, הראיה היחידה הזמינה היא הסיכום של הספק.

• מבטאים — WER ממוצע של 8.21% ב-AppTek Call-Center Dialogues על פני ארבעה־עשר מבטאים באנגלית, עם השגיאה הנמוכה ביותר בשמונה מתוך הארבעה־עשר. זהו המספר השימושי ביותר בהשקה עבור כל מי שמפעיל קווי תמיכה, והוא הקשה ביותר לבדיקה.

• רעש והזיה — שיעור WER של 25.69% ב-HALAS, מערך שיחות רווחים עם תיוג אנושי שנבחר בשל סיכון להזיה. מערך ההשוואה הוא הנתונים שפרסמו הספקים בעצמם: Qwen3-ASR 1.7B עם 26.01%, Voxtral Small 24B עם 27.35%, Nemotron 3.5 Transcribe עם 31.59% ו-Granite Speech 5.0 2B עם 34.51%. שיעור שגיאות של 25.69% הוא עדיין מילה אחת מתוך ארבע, והפער למודל הבא הוא 0.32 נקודות.

• עמידה בסגנון — 5.05% WER מודע להעדפה כאשר הפורמט המבוקש ניתן כהוראה, במקום השני אחרי IBM Granite Speech 5.0 2B עם 4.70%. הטענה בדבר עמידה בהוראות אמיתית, אך היא אינה מהווה יתרון מוביל.

• הטיה לפי הקשר — ב-Contextual Earnings-22, ה-F1 של מילות מפתח עולה מ-71.9 ללא רמזים ל-96.8 כאשר נותנים את מילות המפתח של הקליפ עצמו, ועדיין מגיע ל-94.0 כאשר מוסרים לו את רשימת מילות המפתח של השעה המלאה, שרובן מסיחים. זו התוצאה המשכנעת ביותר בהשקה, משום שהטיה עתירת מסיחים היא המקום שבו הגברה נאיבית של מילות מפתח בדרך כלל מתפרקת.

החשבון מגיע בזמן ההגשה

אין מחיר אירוח עבור SOV-Transcribe-1. Salesforce פרסמה משקלים, לא נקודת קצה, ואף ספק הסקה צד שלישי לא מופיע בלוח של Artificial Analysis עם נתון לכל 1,000 דקות עבורו. לכן השוואת העלויות אינה בדולרים לדקה מול API — אלא בשעות GPU מול API, וכרטיס המודל מספק מספרים מלאים באופן יוצא דופן לחישוב הזה.

• תפוקה — עם תמיכה מקורית ב-vLLM וטיוטת DFlash מופעלת, כרטיס RTX PRO 6000 Blackwell Server Edition אחד (96 GB) מתמלל עד 1,039 שניות אודיו בשנייה, ומחזיר תמלול של הקלטה באורך 30 שניות בתוך 0.22 שניות. זהו נתון שירות באצוות שנמדד על גרסת פיתוח של vLLM בנובמבר 2026, על כרטיס אחד.

• השהיה לפי אורך קטע — ללא מודל הטיוטה: 0.16 ש' עבור עד 10 ש' של שמע, 0.44 ש' עבור 10–30 ש', 0.88 ש' עבור 30–60 ש', 2.78 ש' עבור 1–5 דקות. עם DFlash: 0.09, 0.15, 0.31 ו-1.26 ש'.

• זיכרון — יש צורך ב-max_num_seqs=64 כדי להשאיר את פרופיילינג האתחול בתוך כרטיס של 96 GB לאחר טעינת מודל הטיוטה. ברירת המחדל של vLLM של 1,024 רצפים במקביל מכלה את הזיכרון. זהו מודל שדורש כרטיס ייעודי, לא פרוסה של כרטיס.

• נקודת השוואה — הזולות מבין הרשומות הקנייניות בלוח של Artificial Analysis עומדות על $1.67 עד $5.00 לכל 1,000 דקות אודיו. בקצב של 1,039 שניות אודיו בשנייה, כרטיס בודד משלים 1,000 דקות בכדקה של זמן שעון, כך שנקודת האיזון מול API בעלות של $5.00 לכל 1,000 דקות מגיעה מהר בהיקף גבוה — ולעולם אינה מגיעה אם ההיקף שלך הוא כמה שעות בשבוע.

שלושה פערים שפוסט ההשקה אינו מתעכב עליהם

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.

שני פריטים קטנים יותר שייכים לאותה רשימה. הדוח הטכני מקושר כ״בקרוב״, ולכן נתוני האימון, פרוטוקול ההערכה מעבר למה שהכרטיס מציג, וניתוח הכשלים — כולם עדיין חסרים. ותמיכה מקורית ב-vLLM היא כיום תוסף; הכרטיס אומר ש-Salesforce שואפת להעביר אותה ל-upstream, מה שאומר שהאינטגרציה שתאמצו כעת עשויה להשתנות.

כשזה בכל זאת המודל הנכון

פרופיל הדיוק מצביע על קונה מסוים. אודיו באנגלית עתיר ישויות — מספרי חשבון, כתובות אימייל, שמות תרופות, סימולי טיקר — הוא המקום שבו השילוב של 2.28% AA-WER ושל תוצאת Contextual Earnings-22 באמת משתלם. צינור עיבוד שכבר מכיר את אוצר המילים של השיחה, ויכול להעביר אותו למודל כרשימת רמזים, מקבל שיפור מדיד ש-API לשימוש כללי לא ישיג בלי אותה תמיכה בהטיה.

ריבונות הנתונים היא המקרה השני. משקלים ברישיון Apache 2.0 על החומרה שלכם פירושם שהאודיו לעולם אינו יוצא מהבניין, ובקרב הקלטות של מוקדי שירות בתעשיות מוסדרות זה לעתים קרובות האילוץ המכריע ולא בגדר תוספת נחמדה. מגבלת 30 הדקות והיעדר הסטרימינג הם מחירים מקובלים כאשר עומס העבודה הוא תמלול אצווה לילי של שיחות מוקלטות.

הכתבה בסגנון ביתי היא השלישית. שליטה באמצעות הוראות על פלט מילולי לעומת פלט מחוטא, עיצוב ספרות והסרת מילויי שיחה היא גורם מבדל אמיתי לעומת צינורות עיבוד נגזרי Whisper, שבהם ההנחיה היא קידומת טקסט ולא הוראה שהמודל אומן לפעול לפיה.

הערה מעשית אחת לכל מי שמחבר את זה למערכת גדולה יותר: התמלול הוא בדרך כלל הקלט של משהו אחר — מסכם, סוכן QA, מסווג פניות. המעבר השני הזה הוא המקום שבו ראוטר מצדיק את מקומו. OrcaRouter מציב יותר מ-200 מודלי טקסט, תמונה ווידאו מאחורי מפתח אחד עם תמחור רשימה של ספקים המועבר ללא תוספת רווח של 0%, כך שאפשר להחליף את המודל שקורא את הפלט של SOV-Transcribe-1 או לעבור למודל חלופי במקרה כשל בלי חוזה נוסף. הוא לא מארח את SOV-Transcribe-1 עצמו; מודל הדיבור רץ על ה-GPU שלך, והניתוב מתחיל במקום שבו מתחיל הטקסט.

מה עדיין לא הוכח

שלושה דברים יקבעו אם המודל הזה ייראה טוב בעוד חצי שנה כפי שהוא נראה בשבוע ההשקה שלו. שחזור בלתי תלוי של נתוני הישויות והמבטאים הוא הראשון: VoiceCodeBench הוא פרטי ו-AppTek הוא קורפוס של ספק אחד, ולכן הטענות החשובות ביותר מבחינה מסחרית הן דווקא אלה שעבורן יש הכי פחות ראיות חיצוניות. עמידות באודיו ארוך, מבולגן ורב-דוברים היא השנייה, ונתון 4.06% ב-Earnings22 הוא האות הציבורי היחיד — אמיתי, אך צר. השלישי הוא אם סיפור ההגשה נעשה פשוט יותר. תוסף vLLM שננעל לגרסה אחת, הורדה של 53 GB ותקרה של 64 רצפים הם כולם חיכוך שתמיכת upstream ובניות מכומתות יסירו.

לעת עתה, הסיכום הכנה הוא ש-Salesforce פרסמה את מנוע זיהוי הדיבור הפתוח המדויק ביותר הזמין, והייתה שקופה באופן יוצא דופן לגבי צורת העסקה: שבע שפות, שלושים דקות, ללא סטרימינג, מעבד גרפי אחד. אם העסקה הזו נכונה עבורך היא שאלה שקשורה לאודיו שלך, לא ללוח המובילים.