SOV-Transcribe-1 è il modello vocale aperto più accurato. È anche il meno pratico.

SOV-Transcribe-1 di Salesforce è il miglior riconoscitore vocale open-weights mai pubblicato. Nella classifica non-streaming di Artificial Analysis ottiene un AA-WER del 2,28%, inferiore a ogni modello proprietario tranne una manciata e inferiore con un margine netto a ogni modello scaricabile: Nemotron 3.5 Transcribe si ferma al 2,81% e il Whisper Large v3 Turbo, in servizio da tempo, al 4,62%. La fregatura è scritta nella stessa scheda del modello: SOV-Transcribe-1 è non-streaming, copre sette lingue, viene distribuito come checkpoint BF16 da 53 GB ed è pensato per essere servito da te sulla tua GPU. È stato rilasciato il 12 novembre 2026 con licenza Apache 2.0, e la precisione non è la parte interessante della storia. La parte interessante è quanto costa trasformare quella precisione in una pipeline funzionante.

Cosa ha effettivamente messo Salesforce su Hugging Face

Il repository è salesforce-sovereign-intelligence/SOV-Transcribe-1, creato il 10 novembre e aggiornato di nuovo l'11; il post di lancio e il posizionamento in Artificial Analysis sono entrambi arrivati il 12. È il primo modello linguistico open-weight aumentato per il parlato di Salesforce, il che è una specifica affermazione sull'architettura e non marketing: un encoder audio alimenta un proiettore, e un grande decoder mixture-of-experts scrive la trascrizione.

• Dimensioni — 26,6B parametri in totale, 4,6B attivi per token, ed entrambi i valori includono l'encoder audio. È su questo abbinamento che punta il lancio, perché colloca il modello sulla frontiera dell'accuratezza per parametro attivo anziché su quella dell'accuratezza per parametro totale.

• 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.

• Precisione — pesi BF16 con il router MoE mantenuto in FP32. Il checkpoint è composto da sedici shard safetensors per un totale di circa 53 GB, quindi qui "open weights" significa un download che non entrerà in una singola scheda da 48 GB in BF16.

• Audio — input mono a 16 kHz, fino a 30 minuti per registrazione come testato. I file più lunghi sono un problema del chiamante: la soluzione alternativa consigliata è suddividere in corrispondenza dei confini del parlato e concatenare.

• Lingue — inglese, francese, tedesco, spagnolo, italiano, portoghese e olandese. Sette, tutte europee, con l'inglese dominante in ogni benchmark pubblicato da Salesforce.

• Controllo — istruzioni nel messaggio dell'utente. Output letterale o ripulito, punteggiatura e uso delle maiuscole, cifre rispetto a numeri scritti per esteso e bias contestuale opzionale con un elenco di parole chiave o una frase che descrive il dominio.

• Framework — un plugin vLLM vincolato a vLLM 0.32.0, oppure Transformers da 5.19 a 5.22 con il codice di modellazione proprio del repository. Il supporto nativo upstream è descritto come in corso di sviluppo, non ancora rilasciato.

• Decodifica speculativa: un modello draft separato DFlash, SOV-Transcribe-1-DFlash, propone quindici token alla volta. Salesforce misura un'accelerazione della decodifica di 2–3 volte per il servizio con richiesta singola, con una precisione "entro la variabilità tra un'esecuzione e l'altra".

Da dove deriva il 2,28%

Artificial Analysis non pubblica un singolo WER. Il suo indice AA-WER v2 è un composito ponderato di tre set: AA-AgentTalk al 50%, VoxPopuli-Cleaned-AA al 25% ed Earnings22-Cleaned-AA al 25%. Quella ponderazione conta, perché i tre componenti divergono su questo modello di quasi un fattore tre.

• AA-AgentTalk — tasso di errore di parole dell'1,79%, il set conversazionale sintetico che vale metà del peso dell'indice.

• VoxPopuli-Cleaned — {{1}}1,50%{{/1}}, parlato letto da registrazioni del Parlamento europeo. Questa è la migliore superficie del modello e quella più vicina alla sua miscela di addestramento in sette lingue.

• Earnings22-Cleaned — 4,06%, call sugli utili reali con nomi, ticker e numeri. È la superficie peggiore per il modello e quella più vicina all'audio aziendale reale.

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.

I numeri forniti dal venditore stesso, e quanto valgono davvero

Tutto in questa sezione è riportato da Salesforce. Nulla di tutto ciò è stato riprodotto al di fuori dell'azienda, e due dei benchmark non sono pubblici, il che significa che nessuno all'esterno può riprodurli nemmeno in linea di principio.

• Accuratezza delle entità — su VoiceCodeBench, una classifica privata gestita da BeSimple, SOV-Transcribe-1 supera direttamente il 76,3% delle registrazioni (tutte le entità target corrette) e recupera il 93,4% delle entità. Salesforce lo riporta come primo tra i sistemi a pesi aperti e secondo su 23 complessivamente. Poiché il set è privato, l'unica evidenza disponibile è il riepilogo del fornitore.

• Accenti — WER medio dell'8,21% su AppTek Call-Center Dialogues su quattordici accenti inglesi, con l'errore più basso su otto dei quattordici. È il dato più utile del lancio per chi gestisce linee di assistenza, ed è il più difficile da verificare.

• Rumore e allucinazione — 25,69% di WER su HALAS, un set di chiamate sugli utili annotato manualmente e scelto per il rischio di allucinazione. I valori di confronto sono quelli pubblicati dai fornitori stessi: Qwen3-ASR 1.7B al 26,01%, Voxtral Small 24B al 27,35%, Nemotron 3.5 Transcribe al 31,59% e Granite Speech 5.0 2B al 34,51%. Un tasso di errore del 25,69% resta comunque una parola su quattro, e il divario rispetto al modello successivo è di 0,32 punti.

• Rispetto dello stile — 5,05% di WER preference-aware quando il formato richiesto viene fornito come istruzione, secondo solo a Granite Speech 5.0 2B di IBM con 4,70%. L'affermazione sul rispetto delle istruzioni è fondata, ma non è un primato.

• Biasing contestuale — su Contextual Earnings-22, l'F1 delle parole chiave sale da 71,9 senza suggerimenti a 96,8 quando vengono fornite le parole chiave del clip stesso, e ottiene comunque 94,0 quando riceve l'elenco completo delle parole chiave dell'ora, la maggior parte delle quali sono distrattori. Questo è il risultato più convincente del lancio, perché il biasing con molti distrattori è il punto in cui il potenziamento ingenuo delle parole chiave di solito crolla.

Il conto arriva al momento di servire

Non esiste un prezzo per l'hosting di SOV-Transcribe-1. Salesforce ha pubblicato i pesi, non un endpoint, e nessun host di inferenza di terze parti compare nella board di Artificial Analysis con una cifra per 1.000 minuti per questo modello. Quindi il confronto dei costi non è in dollari al minuto rispetto a un'API — è in ore GPU rispetto a un'API, e la model card fornisce numeri insolitamente completi per quel calcolo.

• Throughput — con supporto nativo per vLLM e la bozza DFlash abilitata, una RTX PRO 6000 Blackwell Server Edition (96 GB) trascrive fino a 1.039 secondi di audio al secondo e restituisce la trascrizione di una registrazione di 30 secondi in 0,22 secondi. Si tratta di un valore di batch-serving misurato su una build di sviluppo di vLLM a novembre 2026, su una singola scheda.

• Latenza in base alla durata del clip — senza il modello draft: 0,16 s per un massimo di 10 s di audio, 0,44 s per 10–30 s, 0,88 s per 30–60 s, 2,78 s per 1–5 minuti. Con DFlash: 0,09, 0,15, 0,31 e 1,26 s.

• Memoria — max_num_seqs=64 è necessario per mantenere il profiling di avvio entro una scheda da 96 GB una volta caricato il modello draft. Il valore predefinito di vLLM di 1.024 sequenze concorrenti esaurisce la memoria. Questo è un modello che vuole una scheda dedicata, non una porzione di una.

• Punto di confronto: le voci proprietarie più economiche nella classifica di Artificial Analysis vanno da 1,67 a 5,00 USD per 1.000 minuti di audio. Con 1.039 secondi di audio al secondo, una singola scheda supera i 1.000 minuti in circa un minuto di tempo reale, quindi il punto di pareggio rispetto a un'API da 5,00 USD per 1.000 minuti arriva presto con volumi elevati — e non arriva mai se il tuo volume è di poche ore a settimana.

Tre lacune su cui il post di lancio non si sofferma

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.

Due elementi secondari vanno nella stessa lista. Il rapporto tecnico è collegato come «in arrivo», quindi i dati di addestramento, il protocollo di valutazione al di là di quanto mostrato nella card e l'analisi dei fallimenti mancano ancora tutti. E il supporto nativo per vLLM oggi è un plugin; la card dice che Salesforce punta a portarlo upstream, il che significa che l'integrazione che adotti ora potrebbe dover cambiare.

Quando questo è comunque il modello giusto

Il profilo di accuratezza punta a un acquirente specifico. L'audio in inglese ad alta densità di entità — numeri di conto, indirizzi email, nomi di farmaci, simboli ticker — è il contesto in cui la combinazione del 2,28% di AA-WER e del risultato Contextual Earnings-22 dà davvero i suoi frutti. Una pipeline che conosce già il vocabolario della chiamata e può fornirlo al modello come elenco di suggerimenti ottiene un miglioramento misurabile che un'API generica non eguaglierà senza lo stesso supporto di bias.

La residenza dei dati è il secondo caso. Pesi Apache 2.0 sul proprio hardware significano che l'audio non lascia mai l'edificio e, per le registrazioni dei call center in settori regolamentati, questo è spesso il vincolo decisivo più che un semplice valore aggiunto. Il limite di 30 minuti e l'assenza di streaming sono costi accettabili quando il carico di lavoro consiste nella trascrizione batch notturna di chiamate registrate.

La dettatura con uno stile redazionale è il terzo punto. Il controllo tramite istruzioni sull'output letterale rispetto a quello ripulito, sulla formattazione delle cifre e sulla rimozione dei riempitivi è un vero elemento distintivo rispetto alle pipeline derivate da Whisper, in cui il prompt è un prefisso testuale anziché un'istruzione che il modello è stato addestrato a seguire.

Una nota pratica per chiunque stia collegando questo a un sistema più ampio: la trascrizione è di solito l'input di qualcos'altro — un riassuntore, un agente QA, un classificatore di ticket. È in quel secondo passaggio che un router si guadagna il suo posto. OrcaRouter mette oltre 200 modelli testuali, di immagini e video dietro un'unica chiave con i prezzi di listino dei provider trasferiti con un ricarico dello 0%, così il modello che legge l'output di SOV-Transcribe-1 può essere sostituito o messo in failover senza un secondo contratto. Non ospita SOV-Transcribe-1 stesso; il modello vocale viene eseguito sulla tua GPU, e il routing inizia dove inizia il testo.

Cosa non è ancora dimostrato

Tre cose stabiliranno se questo modello apparirà altrettanto valido tra sei mesi quanto lo è nella settimana del lancio. La riproduzione indipendente dei numeri relativi a entità e accenti è la prima: VoiceCodeBench è privato e AppTek è il corpus di un solo fornitore, quindi le affermazioni più rilevanti dal punto di vista commerciale sono quelle con meno prove esterne. La robustezza su audio lunghi, disordinati e con più parlanti è la seconda, e il dato del 4.06% su Earnings22 è l'unico segnale pubblico: reale, ma limitato. La terza è se la storia del serving diventa più semplice. Un plugin vLLM vincolato a una versione, un download da 53 GB e un tetto di 64 sequenze sono tutti attriti che il supporto upstream e le build quantizzate eliminerebbero.

Per ora il riassunto onesto è che Salesforce ha pubblicato il riconoscitore vocale open più accurato disponibile ed è stato insolitamente trasparente sulla natura dello scambio: sette lingue, trenta minuti, nessuno streaming, una sola GPU. Se questo scambio faccia al caso vostro è una questione che riguarda il vostro audio, non la classifica.