SOV-Transcribe-1 adalah Model Ucapan Terbuka Paling Akurat. Model ini juga yang paling tidak praktis.

SOV-Transcribe-1 dari Salesforce adalah pengenal ucapan open-weights terbaik yang pernah diterbitkan. Di papan non-streaming Artificial Analysis, model ini mencetak 2,28% AA-WER, lebih rendah daripada setiap model proprietary kecuali beberapa saja dan lebih rendah daripada setiap model yang dapat diunduh dengan selisih yang jelas — Nemotron 3.5 Transcribe berada di 2,81% dan Whisper Large v3 Turbo yang sudah lama digunakan di 4,62%. Namun, syaratnya tertulis di kartu model yang sama: SOV-Transcribe-1 bersifat non-streaming, mencakup tujuh bahasa, dikirim sebagai checkpoint BF16 53 GB, dan dimaksudkan untuk dijalankan sendiri oleh Anda di GPU Anda. Model ini dirilis pada 12 November 2026 di bawah Apache 2.0, dan akurasi bukanlah bagian menarik dari cerita ini. Bagian menariknya adalah berapa biaya yang diperlukan untuk mengubah akurasi itu menjadi pipeline yang berfungsi.

Apa yang sebenarnya Salesforce unggah ke Hugging Face

Repositori ini adalah salesforce-sovereign-intelligence/SOV-Transcribe-1, dibuat pada 10 November dan diperbarui lagi pada tanggal 11; posting peluncuran dan posisi di Artificial Analysis keduanya muncul pada tanggal 12. Ini adalah model bahasa dengan augmentasi ucapan pertama dari Salesforce yang berbobot terbuka, yang merupakan klaim arsitektur spesifik, bukan pemasaran: encoder audio memberi masukan ke proyektor, dan decoder mixture-of-experts yang besar menulis transkrip.

• Ukuran — total 26.6B parameter, 4.6B aktif per token, dan kedua angka tersebut mencakup encoder audio. Kombinasi itulah yang menjadi andalan peluncuran, karena menempatkan model pada garis terdepan akurasi per parameter aktif, bukan akurasi per parameter 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.

• Presisi — Bobot BF16 dengan router MoE tetap dalam FP32. Checkpoint terdiri dari enam belas shard safetensors dengan total sekitar 53 GB, jadi "open weights" di sini berarti unduhan yang tidak akan muat pada satu kartu 48 GB dalam BF16.

• Audio — masukan mono 16 kHz, hingga 30 menit per rekaman sebagaimana diuji. Berkas yang lebih panjang menjadi urusan pemanggil: solusi yang disarankan adalah memecahnya pada batas ucapan lalu menggabungkannya kembali.

• Bahasa — Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, dan Belanda. Tujuh, semuanya Eropa, Inggris dominan dalam setiap tolok ukur yang diterbitkan Salesforce.

• Kontrol — instruksi dalam pesan pengguna. Output verbatim atau yang telah dirapikan, tanda baca dan kapitalisasi, digit versus angka yang dieja, serta bias konteks opsional dengan daftar kata kunci atau kalimat yang menjelaskan domain.

• Kerangka Kerja — plugin vLLM yang dipatok ke vLLM 0.32.0, atau Transformers 5.19 hingga 5.22 dengan kode pemodelan milik repositori itu sendiri. Dukungan upstream native dijelaskan sebagai pekerjaan yang sedang berlangsung, bukan yang sudah dirilis.

• Decoding spekulatif — model draf DFlash terpisah, SOV-Transcribe-1-DFlash, mengusulkan lima belas token sekaligus. Salesforce mengukur percepatan dekode 2–3x untuk penyajian satu permintaan, dengan akurasi "dalam variasi antar-jalankan".

Dari mana angka 2,28% berasal

Artificial Analysis tidak menerbitkan satu WER tunggal. Indeks AA-WER v2-nya adalah komposit berbobot dari tiga set: AA-AgentTalk sebesar 50%, VoxPopuli-Cleaned-AA sebesar 25%, dan Earnings22-Cleaned-AA sebesar 25%. Pembobotan itu penting, karena ketiga komponen tersebut berbeda pendapat tentang model ini dengan faktor hampir tiga.

• AA-AgentTalk — tingkat kesalahan kata 1,79%, set percakapan sintetis yang menyumbang setengah bobot indeks.

• VoxPopuli-Cleaned — 1,50%, ucapan yang dibaca dari rekaman parlemen Eropa. Ini adalah permukaan terbaik model dan yang paling mendekati campuran pelatihan tujuh bahasanya.

• Earnings22-Cleaned — 4,06%, panggilan pendapatan nyata dengan nama, ticker, dan angka. Ini adalah permukaan terburuk model dan yang paling mendekati audio perusahaan sesungguhnya.

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.

Angka versi vendor sendiri, dan seberapa berharga itu

Semua yang ada di bagian ini dilaporkan oleh Salesforce. Tidak ada satu pun yang telah direproduksi di luar perusahaan, dan dua dari tolok ukur tersebut tidak bersifat publik, yang berarti tidak ada orang di luar yang dapat mereproduksinya bahkan secara prinsip.

• Akurasi entitas — pada VoiceCodeBench, papan peringkat privat yang dikelola BeSimple, SOV-Transcribe-1 lolos 76,3% rekaman secara penuh (setiap entitas target benar) dan memulihkan 93,4% entitas. Salesforce melaporkan bahwa sistem ini berada di peringkat pertama di antara sistem open-weight dan kedua dari 23 secara keseluruhan. Karena kumpulan data ini privat, satu-satunya bukti yang tersedia adalah ringkasan dari vendor.

• Aksen — WER rata-rata 8,21% pada AppTek Call-Center Dialogues di empat belas aksen bahasa Inggris, dengan kesalahan terendah pada delapan dari empat belas aksen. Itu adalah angka paling berguna dalam peluncuran bagi siapa pun yang menjalankan lini dukungan, dan paling sulit diperiksa.

• Kebisingan dan halusinasi — WER 25,69% pada HALAS, kumpulan rekaman panggilan pendapatan yang dianotasi manusia dan dipilih karena risiko halusinasi. Pembandingnya adalah angka yang diterbitkan sendiri oleh para vendor: Qwen3-ASR 1.7B sebesar 26,01%, Voxtral Small 24B sebesar 27,35%, Nemotron 3.5 Transcribe sebesar 31,59% dan Granite Speech 5.0 2B sebesar 34,51%. Tingkat kesalahan 25,69% tetap berarti satu kata dari empat, dan selisih dengan model berikutnya hanya 0,32 poin.

• Mengikuti gaya — WER yang sadar preferensi sebesar 5,05% ketika format yang diminta diberikan sebagai instruksi, berada di urutan kedua setelah Granite Speech 5.0 2B milik IBM pada 4,70%. Klaim kemampuan mengikuti instruksi itu nyata, tetapi bukan yang terdepan.

• Bias konteks — pada Contextual Earnings-22, F1 kata kunci naik dari 71,9 tanpa petunjuk menjadi 96,8 dengan kata kunci milik klip itu sendiri, dan tetap mencetak 94,0 saat diberi daftar kata kunci satu jam penuh, yang sebagian besar merupakan distraktor. Ini adalah hasil paling meyakinkan dalam peluncuran, karena bias yang penuh distraktor adalah area di mana penguatan kata kunci naif biasanya gagal.

Tagihan datang pada saat penyajian.

Tidak ada harga hosted untuk SOV-Transcribe-1. Salesforce menerbitkan bobot, bukan endpoint, dan tidak ada penyedia inferensi pihak ketiga yang muncul di papan Artificial Analysis dengan angka per 1.000 menit untuk model itu. Jadi perbandingan biayanya bukan dolar per menit terhadap API — melainkan jam GPU terhadap API, dan kartu model memberikan angka yang luar biasa lengkap untuk aritmetika itu.

• Throughput — dengan dukungan native vLLM dan draf DFlash diaktifkan, satu RTX PRO 6000 Blackwell Server Edition (96 GB) mentranskripsikan hingga 1.039 detik audio per detik, dan mengembalikan transkrip rekaman 30 detik dalam 0,22 detik. Itu adalah angka batch-serving yang diukur pada build pengembangan vLLM pada November 2026, pada satu kartu.

• Latensi menurut panjang klip — tanpa model draf: 0,16 dtk untuk audio hingga 10 dtk, 0,44 dtk untuk 10–30 dtk, 0,88 dtk untuk 30–60 dtk, 2,78 dtk untuk 1–5 menit. Dengan DFlash: 0,09, 0,15, 0,31, dan 1,26 dtk.

• Memori — max_num_seqs=64 diperlukan agar profiling saat startup tetap muat di kartu 96 GB setelah model draft dimuat. Nilai bawaan vLLM sebesar 1.024 sekuens bersamaan akan kehabisan memori. Ini adalah model yang menginginkan kartu khusus, bukan sebagian dari satu kartu.

• Poin perbandingan — entri proprietary termurah di papan Artificial Analysis berjalan pada $1,67 hingga $5,00 per 1.000 menit audio. Dengan 1.039 detik audio per detik, satu kartu menuntaskan 1.000 menit dalam sekitar satu menit waktu aktual, sehingga titik impas terhadap API $5,00 per 1.000 menit tercapai dengan cepat pada volume tinggi — dan tidak akan pernah tercapai sama sekali jika volume Anda hanya beberapa jam seminggu.

Tiga celah yang tidak dibahas dalam postingan peluncuran

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.

Dua butir yang lebih kecil termasuk dalam daftar yang sama. Laporan teknis ditautkan sebagai "segera hadir", jadi data pelatihan, protokol evaluasi di luar apa yang ditunjukkan kartu, dan analisis kegagalan semuanya masih belum ada. Dan dukungan vLLM native saat ini berupa plugin; kartu tersebut menyatakan bahwa Salesforce bertujuan untuk meng-upstream-nya, yang berarti integrasi yang Anda adopsi sekarang mungkin perlu diubah.

Ketika ini memang model yang tepat

Profil akurasi menunjuk pada pembeli tertentu. Audio bahasa Inggris yang padat entitas — nomor akun, alamat email, nama obat, simbol ticker — adalah area tempat kombinasi AA-WER 2,28% dan hasil Contextual Earnings-22 benar-benar memberikan hasil. Pipeline yang sudah mengetahui kosakata panggilan dan dapat memberikannya kepada model sebagai daftar petunjuk memperoleh peningkatan terukur yang tidak akan bisa disamai API serbaguna tanpa dukungan bias yang sama.

Residensi data adalah kasus kedua. Bobot Apache 2.0 pada perangkat keras Anda sendiri berarti audio tidak pernah meninggalkan gedung, dan untuk rekaman pusat panggilan di industri teregulasi, hal itu sering kali menjadi batasan penentu, bukan sekadar nilai tambah. Batas 30 menit dan tidak adanya streaming adalah biaya yang dapat diterima ketika beban kerjanya berupa transkripsi batch rekaman panggilan pada malam hari.

Dikte {{1}}dengan gaya bahasa internal{{/1}} adalah yang ketiga. Kendali instruksi atas keluaran verbatim versus keluaran yang telah dirapikan, pemformatan angka, dan penghapusan kata pengisi merupakan pembeda nyata dibandingkan pipeline turunan Whisper, yang prompt-nya adalah prefiks teks, bukan instruksi yang dilatih untuk diikuti oleh model.

Satu catatan praktis bagi siapa pun yang menghubungkan ini ke sistem yang lebih besar: transkrip biasanya menjadi input untuk hal lain — perangkum, agen QA, pengklasifikasi tiket. Di tahap kedua itulah sebuah router membuktikan kegunaannya. OrcaRouter menempatkan 200+ model teks, gambar, dan video di balik satu kunci dengan harga daftar penyedia yang diteruskan pada markup 0%, sehingga model yang membaca output SOV-Transcribe-1 dapat diganti atau dialihkan saat gagal tanpa kontrak kedua. Layanan ini tidak menghosting SOV-Transcribe-1 itu sendiri; model ucapan berjalan di GPU Anda, dan perutean dimulai dari titik teks itu muncul.

Apa yang masih belum terbukti?

Tiga hal akan menentukan apakah model ini akan tampil sebaik pada minggu peluncurannya dalam enam bulan ke depan. Reproduksi independen atas angka entitas dan aksen adalah yang pertama: VoiceCodeBench bersifat privat dan AppTek adalah korpus milik satu vendor, sehingga klaim yang paling penting secara komersial justru merupakan klaim dengan bukti eksternal paling sedikit. Ketahanan pada audio panjang, berantakan, dan multi-pembicara adalah yang kedua, dan angka 4,06% pada Earnings22 adalah satu-satunya sinyal publik — nyata, tetapi sempit. Yang ketiga adalah apakah sisi penyajian menjadi lebih sederhana. Plugin vLLM yang dipatok ke satu versi, unduhan 53 GB, dan batas 64 sekuens semuanya merupakan hambatan yang akan dihilangkan oleh dukungan upstream dan build terkuantisasi.

Untuk saat ini, ringkasan jujurnya adalah Salesforce telah menerbitkan pengenal ucapan terbuka paling akurat yang tersedia dan luar biasa transparan tentang bentuk komprominya: tujuh bahasa, tiga puluh menit, tanpa streaming, satu GPU. Apakah kompromi itu tepat bagi Anda adalah pertanyaan tentang audio Anda, bukan tentang papan peringkat.