SOV-Transcribe-1은 가장 정확한 오픈 음성 모델입니다. 하지만 가장 불편한 모델이기도 합니다.

Salesforce의 SOV-Transcribe-1은 지금까지 공개된 오픈 웨이트 음성 인식기 중 최고입니다. Artificial Analysis의 비스트리밍 리더보드에서 AA-WER 2.28%를 기록했는데, 이는 소수의 모델을 제외한 모든 독점 모델보다 낮고, 다운로드 가능한 모든 모델보다도 확실한 차이로 낮습니다. Nemotron 3.5 Transcribe는 2.81%, 오랫동안 쓰여 온 Whisper Large v3 Turbo는 4.62%입니다. 문제는 같은 모델 카드에 적혀 있습니다. SOV-Transcribe-1은 비스트리밍 방식이고, 7개 언어를 지원하며, 53 GB BF16 체크포인트로 제공되고, 사용자가 자체 GPU에서 직접 서빙하도록 만들어졌습니다. 2026년 11월 12일 Apache 2.0으로 공개되었으며, 이 이야기에서 흥미로운 부분은 정확도가 아닙니다. 흥미로운 부분은 그 정확도를 실제 작동하는 파이프라인으로 바꾸는 데 드는 비용입니다.

Salesforce가 Hugging Face에 실제로 올린 것

해당 저장소는 salesforce-sovereign-intelligence/SOV-Transcribe-1로, 11월 10일에 생성되었고 11일에 다시 수정되었습니다. 출시 게시물과 Artificial Analysis 배치는 모두 12일에 나왔습니다. 이는 Salesforce의 첫 공개 가중치 음성 증강 언어 모델로, 마케팅이 아니라 구체적인 아키텍처 주장입니다. 오디오 인코더가 프로젝터에 입력을 전달하고, 대형 전문가 혼합 디코더가 전사를 작성합니다.

• 크기 — 총 26.6B 파라미터, 토큰당 4.6B 활성이며, 두 수치 모두 오디오 인코더를 포함합니다. 이 조합은 이번 출시가 내세우는 핵심인데, 모델을 총 파라미터당 정확도가 아니라 활성 파라미터당 정확도 최전선에 올려놓기 때문입니다.

• 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.

• 정밀도 — MoE 라우터는 FP32로 유지한 BF16 가중치. 체크포인트는 총 약 53GB에 달하는 16개의 safetensors 샤드이므로, 여기서 "오픈 웨이트"는 BF16 기준 단일 48GB 카드에 들어가지 않는 다운로드를 의미한다.

• 오디오 — 16 kHz 모노 입력, 테스트 기준 녹음당 최대 30분. 더 긴 파일은 호출하는 쪽에서 감당해야 합니다. 권장 우회 방법은 음성 경계에서 분할한 뒤 이어 붙이는 것입니다.

• 언어 — 영어, 프랑스어, 독일어, 스페인어, 이탈리아어, 포르투갈어, 네덜란드어. 일곱 개 언어, 모두 유럽 언어이며, Salesforce가 발표한 모든 벤치마크에서 영어가 우세했다.

• 제어 — 사용자 메시지의 지시 사항. 그대로 또는 정리된 출력, 구두점과 대문자 표기, 숫자 표기 대 숫자를 풀어 쓴 표현, 그리고 키워드 목록이나 도메인을 설명하는 문장을 통한 선택적 문맥 바이어싱.

• 프레임워크 — vLLM 0.32.0에 고정된 vLLM 플러그인, 또는 저장소 자체의 모델링 코드와 함께 사용하는 Transformers 5.19~5.22. 네이티브 업스트림 지원은 아직 출시되지 않은, 진행 중인 작업으로 설명됩니다.

• 추측 디코딩 — 별도의 DFlash 드래프트 모델인 SOV-Transcribe-1-DFlash가 한 번에 15개의 토큰을 제안합니다. Salesforce는 단일 요청 서빙에서 2–3배의 디코딩 속도 향상을 측정했으며, 정확도는 "실행 간 변동 범위 내"입니다.

2.28%는 어디에서 나오는가

Artificial Analysis는 단일 WER을 공개하지 않습니다. AA-WER v2 지수는 세 세트의 가중 합성 지표로, AA-AgentTalk가 50%, VoxPopuli-Cleaned-AA가 25%, Earnings22-Cleaned-AA가 25%를 차지합니다. 이 가중치는 중요합니다. 세 구성 요소가 이 모델에 대해 거의 3배 차이로 서로 다른 결과를 보이기 때문입니다.

AA-AgentTalk — 1.79%의 단어 오류율, 전체 지수 가중치의 절반을 차지하는 합성 대화 세트.

• VoxPopuli-Cleaned — 1.50%, 유럽 의회 녹음에서 발췌한 낭독 발화입니다. 이는 모델이 가장 좋은 성능을 보이는 영역이자 7개 언어 학습 혼합에 가장 가까운 데이터입니다.

• Earnings22-Cleaned — 4.06%, 이름, 티커, 숫자가 포함된 실제 어닝콜. 이는 모델이 가장 취약한 영역이며 실제 기업 오디오에 가장 가까운 영역입니다.

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.

공급업체가 제시한 자체 수치, 그리고 그 수치가 갖는 가치

이 섹션의 모든 내용은 Salesforce가 보고한 것입니다. 그중 어느 것도 회사 외부에서 재현된 적이 없으며, 두 가지 벤치마크는 공개되지 않았으므로 외부의 누구도 원칙적으로도 이를 재현할 수 없습니다.

• 개체 정확도 — BeSimple이 운영하는 비공개 리더보드인 VoiceCodeBench에서 SOV-Transcribe-1은 녹음의 76.3%를 완전히 통과하며(모든 대상 개체가 정확함) 개체의 93.4%를 복원합니다. Salesforce는 이를 오픈 웨이트 시스템 중 1위, 전체 23개 중 2위로 보고합니다. 데이터 세트가 비공개이므로 이용 가능한 유일한 증거는 공급업체의 요약뿐입니다.

• 억양 — AppTek Call-Center Dialogues에서 14개 영어 억양 전반에 걸쳐 평균 WER 8.21%이며, 14개 중 8개에서 가장 낮은 오류를 기록했습니다. 이는 지원 라인을 운영하는 누구에게나 이번 출시에서 가장 유용한 수치이며, 확인하기는 가장 어렵습니다.

• 잡음 및 환각 — 환각 위험을 고려해 선택된 사람이 주석을 단 실적 발표 콜 세트인 HALAS에서 WER 25.69%입니다. 비교 세트는 벤더들이 직접 공개한 수치입니다: Qwen3-ASR 1.7B는 26.01%, Voxtral Small 24B는 27.35%, Nemotron 3.5 Transcribe는 31.59%, Granite Speech 5.0 2B는 34.51%입니다. 25.69%의 오류율은 여전히 네 단어 중 한 단어꼴이며, 다음 모델과의 격차는 0.32포인트입니다.

• {{1}}스타일 따르기{{/1}} — 요청된 형식이 지시로 주어질 때 선호도 인식 WER은 5.05%로, 4.70%를 기록한 IBM's Granite Speech 5.0 2B에 이어 두 번째입니다. 지시 수행 주장은 사실이지만 선두는 아닙니다.

• 문맥 바이어싱 — Contextual Earnings-22에서 키워드 F1은 힌트가 없을 때 71.9에서 클립 자체의 키워드를 제공했을 때 96.8로 상승하며, 대부분이 방해 요소인 전체 1시간 분량의 키워드 목록을 받았을 때도 94.0을 기록합니다. 이는 이번 출시에서 가장 설득력 있는 단일 결과입니다. 방해 요소가 많은 바이어싱은 단순 키워드 부스팅이 보통 무너지는 지점이기 때문입니다.

계산서는 음식이 나올 때 도착합니다

SOV-Transcribe-1에는 호스팅 가격이 없습니다. Salesforce는 엔드포인트가 아니라 가중치를 공개했으며, Artificial Analysis 보드에도 이 모델의 1,000분당 수치를 제시하는 타사 추론 호스트가 나타나지 않습니다. 따라서 비용 비교는 API 대비 분당 달러가 아니라 API 대비 GPU 시간이며, 모델 카드는 그 계산에 필요한 수치를 이례적으로 완전하게 제공합니다.

• 처리량 — 네이티브 vLLM 지원과 DFlash 드래프트가 활성화된 상태에서 RTX PRO 6000 Blackwell Server Edition(96GB) 한 장은 초당 최대 1,039초 분량의 오디오를 전사하며, 30초 녹음의 전사 결과를 0.22초 만에 반환합니다. 이는 2026년 11월 vLLM 개발 빌드에서 카드 한 장으로 측정한 배치 서빙 수치입니다.

• 클립 길이별 지연 시간 — 드래프트 모델 없이: 최대 10초 오디오의 경우 0.16초, 10–30초는 0.44초, 30–60초는 0.88초, 1–5분은 2.78초. DFlash 사용 시: 0.09, 0.15, 0.31, 1.26초.

• 메모리 — 드래프트 모델을 로드한 뒤 96GB 카드 안에서 시작 프로파일링을 유지하려면 max_num_seqs=64가 필요합니다. vLLM의 기본값인 동시 시퀀스 1,024개는 메모리가 부족해집니다. 이 모델은 카드 한 장을 나눠 쓰는 것이 아니라 전용 카드가 필요한 모델입니다.

• 비교 기준 — Artificial Analysis 보드에서 가장 저렴한 독점 항목들은 오디오 1,000분당 1.67~5.00달러입니다. 초당 오디오 1,039초 처리 기준으로 카드 한 장은 실제 시간 약 1분 만에 1,000분을 처리하므로, 1,000분당 5.00달러 API 대비 손익분기점은 대량 사용 시 빠르게 도달합니다 — 그리고 주당 몇 시간 규모라면 아예 도달하지 못합니다.

출시 게시물이 깊이 다루지 않은 세 가지 공백

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.

두 가지 작은 항목은 같은 목록에 속합니다. 기술 보고서는 "곧 공개"로 연결되어 있어서 학습 데이터, 카드에 표시된 범위를 넘어서는 평가 프로토콜, 실패 분석이 모두 아직 빠져 있습니다. 그리고 네이티브 vLLM 지원은 현재 플러그인입니다. 카드에 따르면 Salesforce는 이를 업스트림하는 것을 목표로 하고 있으며, 이는 지금 도입하는 통합을 변경해야 할 수 있음을 의미합니다.

어차피 이것이 올바른 모델인 경우

정확도 프로파일은 특정 구매자를 가리킨다. 계좌 번호, 이메일 주소, 약품명, 티커 심볼처럼 개체명이 많은 영어 오디오에서 2.28%의 AA-WER과 Contextual Earnings-22 결과의 조합이 실제로 성과를 낸다. 통화의 어휘를 이미 알고 있고, 이를 힌트 목록으로 모델에 제공할 수 있는 파이프라인은, 동일한 바이어싱 지원 없이는 범용 API가 따라올 수 없는 측정 가능한 향상을 얻는다.

데이터 레지던시는 두 번째 사례입니다. 자체 하드웨어에서 Apache 2.0 가중치를 사용하면 오디오가 건물 밖으로 나가지 않으며, 규제 산업의 콜센터 녹음에서는 이것이 있으면 좋은 기능이 아니라 결정적인 제약인 경우가 많습니다. 작업 부하가 녹음된 통화의 야간 배치 전사일 때 30분 제한과 스트리밍 부재는 감수할 만한 비용입니다.

하우스 스타일이 적용된 받아쓰기가 세 번째입니다. 축어적 출력과 정리된 출력, 숫자 형식, 군더더기 제거에 대한 지시문 제어는 Whisper 기반 파이프라인과의 진정한 차별점입니다. Whisper 기반 파이프라인에서는 프롬프트가 모델이 따르도록 훈련된 지시문이 아니라 텍스트 접두사에 불과하기 때문입니다.

더 큰 시스템에 이것을 연결하려는 분들을 위한 실용적인 참고 사항 하나: 전사본은 보통 다른 무언가—요약기, QA 에이전트, 티켓 분류기—의 입력입니다. 바로 그 두 번째 단계가 라우터가 제 역할을 하는 지점입니다. OrcaRouter는 200개 이상의 텍스트, 이미지 및 비디오 모델을 하나의 키 뒤에 두고 동시에 제공업체 목록 가격을 0% 마크업으로 그대로 전달합니다. 따라서 SOV-Transcribe-1의 출력을 읽는 모델은 별도의 계약 없이 교체하거나 장애 조치할 수 있습니다. OrcaRouter 자체는 SOV-Transcribe-1을 호스팅하지 않습니다. 음성 모델은 사용자의 GPU에서 실행되며, 라우팅은 텍스트가 시작되는 지점에서 시작됩니다.

아직 입증되지 않은 것은 무엇인가

이 모델이 출시 주간에 보이는 만큼 6개월 뒤에도 좋아 보일지를 결정할 세 가지가 있습니다. 첫째는 엔터티와 악센트 수치의 독립적 재현입니다. VoiceCodeBench는 비공개이고 AppTek은 한 공급업체의 코퍼스이므로, 상업적으로 가장 중요한 주장들이 외부 증거는 가장 적은 주장입니다. 둘째는 길고 지저분한 다중 화자 오디오에서의 견고성이며, 4.06% Earnings22 수치가 유일한 공개 신호입니다 — 실제이긴 하지만 범위는 좁습니다. 셋째는 서빙 스토리가 더 단순해지는지 여부입니다. 한 버전에 고정된 vLLM 플러그인, 53 GB 다운로드, 64 시퀀스 상한은 모두 업스트림 지원과 양자화 빌드가 해소해 줄 마찰입니다.

현재로서 솔직한 요약은 Salesforce가 이용 가능한 가장 정확한 오픈 음성 인식기를 공개했고, 그 트레이드오프의 구조에 대해 이례적으로 투명하게 밝혔다는 것입니다: 7개 언어, 30분, 스트리밍 없음, GPU 1개. 그 트레이드오프가 여러분에게 적합한지는 리더보드가 아니라 여러분의 오디오에 관한 질문입니다.