SOV-Transcribe-1は最も高精度なオープン音声モデルです。同時に、最も不便なモデルでもあります。

SalesforceのSOV-Transcribe-1は、これまでに公開されたオープンウェイトの音声認識モデルの中で最高だ。Artificial Analysisの非ストリーミングボードではAA-WER 2.28%を記録しており、これはごく一部を除くすべてのプロプライエタリモデルより低く、ダウンロード可能なモデルよりは明確な差で低い——Nemotron 3.5 Transcribeは2.81%、長く使われてきたWhisper Large v3 Turboは4.62%だ。ただし注意点は同じモデルカードに明記されている。SOV-Transcribe-1は非ストリーミングで、7言語に対応し、53 GBのBF16チェックポイントとして提供され、自分のGPU上で自分でホストする前提だ。2026年11月12日にApache 2.0で公開されたが、精度自体はこの話の面白いところではない。面白いのは、その精度を実際に動くパイプラインに変えるのにどれだけコストがかかるかだ。

SalesforceがHugging Faceに実際に公開したもの

{{1}}リポジトリは salesforce-sovereign-intelligence/SOV-Transcribe-1 で、11月10日に作成され、11日に再度更新されました。ローンチ投稿と Artificial Analysis への掲載はいずれも12日に行われました。{{/1}} これは Salesforce 初のオープンウェイト音声拡張言語モデルであり、マーケティングではなく具体的なアーキテクチャ上の主張です。音声エンコーダーがプロジェクターへ入力を渡し、大規模な Mixture-of-Experts デコーダーが文字起こしを生成します。

• サイズ — 合計26.6Bパラメータ、トークンあたり4.6Bがアクティブで、どちらの数値にもオーディオエンコーダーが含まれる。ローンチが強調しているのはこの組み合わせだ。なぜなら、これによってモデルは総パラメータあたりの精度ではなく、アクティブパラメータあたりの精度のフロンティアに位置づけられるからだ。

• {{1}}アーキテクチャ{{/1}} — Whisper large-v3 音声エンコーダ、4つのエンコーダフレームを1つの埋め込みに積み重ねる小型プロジェクタ、そして Gemma 4 26B A4B の専門家混合型テキストデコーダ。音声経路は継承され、言語経路は G​oogle のものであり、貢献は両者間の適応化にある。

• 精度 — 重みは BF16 で、MoE ルーターは FP32 のままです。チェックポイントは合計約 53 GB の 16 個の safetensors シャードであるため、ここでの「オープンウェイト」とは、BF16 では単一の 48 GB カードに収まらないダウンロードを意味します。

• 音声 — 16 kHz モノラル入力、テスト済みの範囲で録音あたり最大30分。それより長いファイルは呼び出し側の責任です。推奨される回避策は、発話の境界で分割してから連結することです。

• 言語 — 英語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語、オランダ語。7言語で、すべてヨーロッパの言語であり、Salesforceが公開したすべてのベンチマークで英語が優勢だった。

• 制御 — ユーザーメッセージ内の指示。逐語的または整形済みの出力、句読点と大文字・小文字の扱い、数字表記か数詞を綴るか、およびキーワードリストまたはドメインを説明する文による任意のコンテキストバイアス。

• フレームワーク — vLLM 0.32.0 に固定された vLLM プラグイン、またはリポジトリ独自のモデリングコードを用いた Transformers 5.19～5.22。上流でのネイティブサポートは作業中とされており、まだ提供されていません。

{{1}}投機的デコーディング{{/1}} — 別個のDFlashドラフトモデル{{2}}SOV-Transcribe-1-DFlash{{/2}}は、一度に15トークンを提案する。Salesforceは単一リクエスト提供で{{3}}2～3倍のデコード高速化{{/3}}を測定しており、精度は「実行ごとの変動の範囲内」だ。

2.28%の出どころ

Artificial Analysisは単一のWERを公開していません。そのAA-WER v2指数は3つのセットによる重み付き合成で、AA-AgentTalkが50%、VoxPopuli-Cleaned-AAが25%、Earnings22-Cleaned-AAが25%です。この重み付けは重要です。なぜなら、3つの構成要素はこのモデルについてほぼ3倍もの差で評価が分かれているからです。

• AA-AgentTalk — 単語誤り率1.79%、インデックスの重みの半分を占める合成会話セット。

• VoxPopuli-Cleaned — 1.50%、欧州議会の録音からの朗読音声。これはモデルが最も性能を発揮する領域であり、7言語のトレーニング混合に最も近いものです。

• Earnings22-Cleaned — 4.06%、企業名・ティッカー・数値を含む実在の決算説明会通話。これはモデルにとって最も成績の悪い領域であり、実際の企業音声に最も近いものです。

ランキングの主張には、数字が1つではなく2つ必要だ。Artificial Analysis自身のオープンウェイト分野のまとめでは、SOV-Transcribe-1が首位で、MistralのVoxtral Smallが2.77%で2位、NVIDIAのNemotron 3.5 Transcribeが2.81%で3位——評価対象65件のうちオープンウェイト項目は16件だ。全体のボードでは、Artificial Analysisは11月12日にこのモデルを総合44件中7位と発表した。私たちが11月13日に読んだボードでは、SOV-Transcribe-1は8位で、AlibabaのFun-Realtime-ASR-preview、ElevenLabs Scribe v3、MicrosoftのMAI-Transcribe-2を含む7つのプロプライエタリでより新しいシステムの後ろに位置する。どちらの記述もそれぞれの日付時点では真実であり、今日真実なのはそのうち1つだけだ。

ベンダー自身が示す数字と、それにどれほどの価値があるか

このセクションの内容はすべてSalesforceによる報告です。そのいずれも社外で再現されたことはなく、さらにベンチマークのうち2つは非公開であるため、社外の誰にも原理的に再現することはできません。

• エンティティ精度 — BeSimple が運営する非公開リーダーボード VoiceCodeBench では、SOV-Transcribe-1 は録音の 76.3% を完全に通過し（すべての対象エンティティが正確）、エンティティの 93.4% を復元します。Salesforce はこれを、オープンウェイトシステムの中で 1 位、全体 23 件中 2 位と報告しています。このセットは非公開のため、入手できる唯一の証拠はベンダーの要約のみです。

• アクセント — 14 種類の英語アクセントにわたり、AppTek Call-Center Dialogues で平均 WER 8.21%、うち 8 種類ではエラー率が最小。サポート窓口を運営する人にとって、これは今回のローンチで最も有用な数字であり、同時に最も検証が難しい数字でもある。

• ノイズとハルシネーション — HALASでのWERは25.69%。HALASはハルシネーションリスクを考慮して選ばれた、人手注釈付きの決算説明会データセットです。比較対象は各ベンダーが公表している数値で、Qwen3-ASR 1.7Bが26.01%、Voxtral Small 24Bが27.35%、Nemotron 3.5 Transcribeが31.59%、Granite Speech 5.0 2Bが34.51%です。25.69%のエラー率は依然として4語に1語であり、次モデルとの差は0.32ポイントです。

• スタイル追従 — 要求された形式が指示として与えられた場合の選好認識WERは5.05%で、IBMのGranite Speech 5.0 2Bの4.70%に次ぐ。指示追従という主張は事実だが、優位ではない。

• コンテキストバイアス — Contextual Earnings-22 において、キーワードF1はヒントなしの71.9から、クリップ自身のキーワードを与えると96.8に上昇し、その大半がディストラクターである1時間全体のキーワードリストを渡した場合でも94.0を記録します。これは今回のローンチで最も説得力のある結果です。なぜなら、ディストラクターの多いバイアスこそ、単純なキーワードブースティングがたいてい破綻する場面だからです。

お会計は提供時に届きます。

SOV-Transcribe-1にはホスト型の価格がありません。Salesforceはエンドポイントではなく重みを公開しており、Artificial Analysisのボード上にも、これの1,000分あたりの数値を示すサードパーティの推論ホストは見当たりません。したがって、コスト比較はAPIに対する1分あたりのドルではなく、APIに対するGPU時間であり、モデルカードはその計算に異例なほど完全な数値を示しています。

• スループット — ネイティブのvLLMサポートとDFlashドラフトを有効にすると、RTX PRO 6000 Blackwell Server Edition（96 GB）1枚で毎秒最大1,039秒分の音声を文字起こしし、30秒の録音の文字起こしを0.22秒で返します。これは、2026年11月に1枚のカード上でvLLMの開発ビルドを用いて測定されたバッチサービングの数値です。

• クリップ長別のレイテンシー — ドラフトモデルなしの場合：音声が最大10秒で0.16秒、10～30秒で0.44秒、30～60秒で0.88秒、1～5分で2.78秒。DFlashありの場合：0.09秒、0.15秒、0.31秒、1.26秒。

• メモリ — ドラフトモデルをロードした後、起動時のプロファイリングを96 GBのカード内に収めるには、max_num_seqs=64 が必要です。vLLMのデフォルトである1,024同時シーケンスではメモリ不足になります。これは専用カードを必要とするモデルであり、カードの一部を切り出して使うものではありません。

• 比較ポイント — Artificial Analysisのボード上で最も安いプロプライエタリ製品は、音声1,000分あたり1.67ドルから5.00ドルで動作します。毎秒1,039秒分の音声を処理する場合、1枚のカードは実時間約1分で1,000分を処理できるため、1,000分あたり5.00ドルのAPIに対する損益分岐点は、大量処理ならすぐに訪れます — そして、処理量が週数時間ならまったく訪れません。

ローンチ記事があまり詳しく触れていない3つのギャップ

前者はストリーミングです。SOV-Transcribe-1は設計上、非ストリーミングです。G​oogleのG​emini 3.5 Transcribeには専用のライブエンドポイントがあり、O​penAIのG​PT TranscribeはWebSocket経由のリアルタイム文字起こしセッションを受け付け、Nemotron 3.5 Transcribeはタイムスタンプ付き出力で長い録音を処理します。あなたの製品がライブ字幕や部分的な文字起こしを必要とする音声エージェントであるなら、このモデルはWERがどうであれ選択肢に入りません。

2つ目は話者構造です。モデルカードには、文字起こし、スタイル制御、コンテキストバイアスが記載されています。話者ダイアライゼーションや単語レベルのタイムスタンプについては記載されておらず、これらこそが文字起こしをコンプライアンスチームや会議プロダクトがインデックス可能なものに変える2つの機能です。G​emini 3.5 Transcribeは最大8人の話者を扱えます。Nemotron 3.5 Transcribeは話者帰属付き文字起こしとタイムスタンプ予測をうたっています。SOV-Transcribe-1は、その構造を下流で復元することを求めます。

第三は言語カバレッジです。7言語はNemotronの40言語やG​eminiの85以上に比べると狭く、しかも特定の方向に偏っています。7言語はすべてヨーロッパの言語であり、Salesforceが公開した多言語ベンチマークもそれと一致しています。音声がポルトガル語とオランダ語なら、これはおそらく利用可能な中で最良のオープンモデルです。ヒンディー語、日本語、アラビア語なら、選択肢にはなりません。

小さめの項目が2つ、同じリストに入れるべきです。技術レポートは「近日公開」としてリンクされているため、学習データ、カードに示されている範囲を超える評価プロトコル、そして障害分析はすべてまだ不足しています。また、ネイティブの vLLM サポートは現時点ではプラグインです。カードには Salesforce がそれをアップストリーム化することを目指していると書かれており、つまり、今採用する統合は変更が必要になる可能性があります。

いずれにせよ、これが適切なモデルである場合

精度プロファイルは特定の買い手を指し示している。アカウント番号、メールアドレス、薬名、ティッカーシンボルなど、エンティティが多い英語音声こそ、2.28% AA-WER と Contextual Earnings-22 の結果の組み合わせが実際に効果を発揮する領域だ。通話の語彙をすでに把握し、それをヒントリストとしてモデルに渡せるパイプラインは、同じバイアス支援なしでは汎用 API が太刀打ちできない、測定可能な精度向上を得る。

データレジデンシーは2つ目のケースです。自社ハードウェア上でApache 2.0の重みを動かすということは、音声が建物の外に出ないということであり、規制産業におけるコールセンターの録音では、それは「あれば便利」ではなく、しばしば決め手となる制約になります。ワークロードが録音済み通話の夜間バッチ文字起こしである場合、30分の制限とストリーミング非対応は許容できるコストです。

ハウススタイルを備えたディクテーションが3番目です。逐語的な出力か整形済みの出力か、数字の書式、フィラーの除去といった項目に対する指示による制御は、Whisper由来のパイプラインに対する真の差別化要因となります。後者ではプロンプトはテキストの接頭辞にすぎず、モデルが従うよう学習した指示ではないからです。

これをより大きなシステムに組み込む人向けの実用的な注意点として、文字起こしは通常、要約ツール、QAエージェント、チケット分類器など、別の何かの入力になります。その2番目のホップこそ、ルーターがその価値を発揮する場所です。OrcaRouterは200以上のテキスト・画像・動画モデルを1つのキーの背後にまとめ、プロバイダーのリスト価格を0%のマークアップでそのまま適用するので、SOV-Transcribe-1の出力を読むモデルは、2つ目の契約なしで差し替えたりフェイルオーバーしたりできます。OrcaRouter自体はSOV-Transcribe-1をホストしません。音声モデルはお使いのGPU上で動作し、ルーティングはテキストが始まる地点から始まります。

何がまだ証明されていないのか

このモデルが6か月後もリリース週と同じくらい良く見えるかどうかを決めるのは、3つの点だ。第一に、エンティティとアクセントの数値の独立再現である。VoiceCodeBenchは非公開で、AppTekは1社のコーパスにすぎない。そのため、商業的に最も重要な主張ほど、外部の裏付けが最も少ない。第二に、長く雑然とした複数話者音声に対する堅牢性であり、4.06%というEarnings22の数値が唯一の公開シグナルだ。本物ではあるが、範囲は狭い。第三は、サービングの話がもっと単純になるかどうかである。1つのバージョンに固定されたvLLMプラグイン、53 GBのダウンロード、64シーケンスの上限はすべて摩擦であり、上流のサポートと量子化ビルドが解消するだろう。

今のところ率直にまとめると、Salesforceは入手可能な中で最も高精度なオープン音声認識モデルを公開しており、そのトレードオフの形について異例なほど透明に示している。七言語、30分、ストリーミングなし、GPU 1台。そのトレードオフが自分に適しているかどうかは、リーダーボードではなく自分の音声についての問いだ。