SOV-Transcribe-1 is het meest nauwkeurige open spraakmodel. Het is ook het minst handige.

SOV-Transcribe-1 van Salesforce is de beste spraakherkenner met open weights die ooit is gepubliceerd. Op de non-streamingboard van Artificial Analysis scoort hij 2,28% AA-WER, wat lager is dan elk propriëtair model, op een handvol na, en met een duidelijke marge lager dan elk downloadbaar model — Nemotron 3.5 Transcribe staat op 2,81% en de al lang dienstdoende Whisper Large v3 Turbo op 4,62%. Het addertje onder het gras staat in dezelfde modelkaart: SOV-Transcribe-1 is non-streaming, dekt zeven talen, wordt geleverd als een BF16-checkpoint van 53 GB en is bedoeld om door jou op je eigen GPU te worden geserveerd. Het werd op 12 november 2026 uitgebracht onder Apache 2.0, en de nauwkeurigheid is niet het interessante deel van het verhaal. Het interessante deel is wat het kost om die nauwkeurigheid om te zetten in een werkende pipeline.

Wat Salesforce daadwerkelijk op Hugging Face heeft gezet

De repository is salesforce-sovereign-intelligence/SOV-Transcribe-1, aangemaakt op 10 november en op de 11e opnieuw bijgewerkt; het lanceringsbericht en de plaatsing bij Artificial Analysis verschenen beide op de 12e. Het is Salesforce' eerste open-weight spraak-augmented taalmodel, wat een specifieke architectuurclaim is in plaats van marketing: een audio-encoder voedt een projector, en een grote mixture-of-experts-decoder schrijft het transcript.

• Grootte — 26.6B parameters in totaal, 4.6B actief per token, en beide cijfers zijn inclusief de audio-encoder. Die combinatie is waar de lancering op steunt, omdat het model daarmee op de frontier van nauwkeurigheid per actieve parameter staat in plaats van die per totale parameter.

• 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.

• Precisie — BF16-gewichten, waarbij de MoE-router in FP32 blijft. Het checkpoint bestaat uit zestien safetensors-shards met een totale omvang van ongeveer 53 GB, dus "open weights" betekent hier een download die in BF16 niet op één enkele kaart van 48 GB past.

• Audio — 16 kHz mono-ingang, tot 30 minuten per opname zoals getest. Langere bestanden zijn het probleem van de beller: de aanbevolen workaround is splitsen bij spraakgrenzen en vervolgens samenvoegen.

• Talen — Engels, Frans, Duits, Spaans, Italiaans, Portugees en Nederlands. Zeven, allemaal Europees, met Engels dominant in elke benchmark die Salesforce heeft gepubliceerd.

• Besturing — instructies in het gebruikersbericht. Letterlijke of opgeschoonde uitvoer, interpunctie en hoofdlettergebruik, cijfers versus uitgeschreven getallen, en optionele contextbiasing met een trefwoordenlijst of een zin die het domein beschrijft.

• Frameworks — een vLLM-plugin vastgepind op vLLM 0.32.0, of Transformers 5.19 tot en met 5.22 met de eigen modelleercode van de repository. Native upstream-ondersteuning wordt omschreven als werk in uitvoering, niet als uitgebracht.

• Speculatief decoderen — een apart DFlash-conceptmodel, SOV-Transcribe-1-DFlash, stelt telkens vijftien tokens voor. Salesforce meet een 2–3x snellere decodering bij het serveren van één verzoek, met een nauwkeurigheid die "binnen de variatie tussen runs" valt.

Waar de 2,28% vandaan komt

Artificial Analysis publiceert geen enkele WER. De AA-WER v2-index is een gewogen samengestelde score van drie sets: AA-AgentTalk voor 50%, VoxPopuli-Cleaned-AA voor 25% en Earnings22-Cleaned-AA voor 25%. Die weging is van belang, omdat de drie componenten voor dit model bijna een factor drie van elkaar verschillen.

• AA-AgentTalk — 1,79% woordfoutpercentage, waarbij de synthetische gespreksset de helft van het indexgewicht draagt.

• VoxPopuli-Cleaned — 1,50%, voorgelezen spraak uit opnamen van het Europees Parlement. Dit is het beste oppervlak van het model en het onderdeel dat het dichtst bij de trainingmix van zeven talen ligt.

• Earnings22-Cleaned — 4,06%, echte earnings calls met namen, tickers en cijfers. Dit is het zwakste prestatiegebied van het model en het gebied dat het dichtst bij echte bedrijfsaudio ligt.

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.

De eigen cijfers van de leverancier, en wat ze waard zijn

Alles in deze sectie is door Salesforce gerapporteerd. Niets ervan is buiten het bedrijf gereproduceerd, en twee van de benchmarks zijn niet openbaar, wat betekent dat niemand buiten het bedrijf ze zelfs maar in principe kan reproduceren.

• Entiteitsnauwkeurigheid — op VoiceCodeBench, een besloten ranglijst beheerd door BeSimple, slaagt SOV-Transcribe-1 bij 76,3% van de opnames in één keer (elke doelentiteit correct) en herstelt het 93,4% van de entiteiten. Salesforce meldt dat als eerste onder open-weight-systemen en tweede van 23 overall. Omdat de set besloten is, is het enige beschikbare bewijs de samenvatting van de leverancier.

• Accenten — 8,21% gemiddelde WER op AppTek Call-Center Dialogues bij veertien Engelse accenten, met de laagste fout op acht van de veertien. Dat is het nuttigste cijfer in de lancering voor iedereen die supportlijnen beheert, en het is het moeilijkst te controleren.

• Ruis en hallucinatie — 25,69% WER op HALAS, een door mensen geannoteerde set met earnings-calls die is gekozen vanwege het risico op hallucinatie. De vergelijkingsset bestaat uit de door leveranciers zelf gepubliceerde cijfers: Qwen3-ASR 1.7B op 26,01%, Voxtral Small 24B op 27,35%, Nemotron 3.5 Transcribe op 31,59% en Granite Speech 5.0 2B op 34,51%. Een foutpercentage van 25,69% is nog steeds één op de vier woorden, en het verschil met het volgende model is 0,32 punten.

• Stijlopvolging — 5,05% preference-aware WER wanneer het gevraagde formaat als instructie wordt gegeven, op de tweede plaats na IBM's Granite Speech 5.0 2B met 4,70%. De bewering over instructieopvolging is terecht, maar het is geen voorsprong.

• Contextuele bias — op Contextual Earnings-22 stijgt de keyword-F1 van 71,9 zonder hints naar 96,8 met de eigen keywords van de clip, en scoort nog steeds 94,0 wanneer de volledige keywordlijst van het uur wordt aangereikt, waarvan de meeste afleiders zijn. Dit is het allerovertuigendste resultaat van de lancering, omdat bias met veel afleiders precies het scenario is waarin naïeve keyword-boosting meestal stukloopt.

De rekening komt op het moment van serveren

Er is geen gehoste prijs voor SOV-Transcribe-1. Salesforce heeft gewichten gepubliceerd, geen endpoint, en er verschijnt geen inferentiehost van derden op het Artificial Analysis-overzicht met een cijfer per 1.000 minuten daarvoor. De kostenvergelijking is dus niet dollars per minuut tegenover een API, maar GPU-uren tegenover een API, en de modelkaart geeft ongewoon volledige cijfers voor die rekensom.

• Doorvoer — met native vLLM-ondersteuning en de DFlash-draft ingeschakeld, transcribeert één RTX PRO 6000 Blackwell Server Edition (96 GB) tot 1.039 seconden audio per seconde, en retourneert het transcript van een opname van 30 seconden in 0,22 seconden. Dat is een batch-servingcijfer gemeten op een vLLM-ontwikkelbuild in november 2026, op één kaart.

• Latentie per cliplengte — zonder het draftmodel: 0,16 s voor maximaal 10 s audio, 0,44 s voor 10–30 s, 0,88 s voor 30–60 s, 2,78 s voor 1–5 minuten. Met DFlash: 0,09, 0,15, 0,31 en 1,26 s.

• Geheugen — max_num_seqs=64 is vereist om de opstartprofilering binnen een 96 GB-kaart te houden zodra het draftmodel is geladen. De standaardwaarde van vLLM van 1.024 gelijktijdige sequenties veroorzaakt een geheugentekort. Dit is een model dat een eigen kaart wil, niet een slice daarvan.

• Vergelijkingspunt — de goedkoopste propriëtaire inzendingen op de Artificial Analysis-ranglijst kosten $1,67 tot $5,00 per 1.000 minuten audio. Bij 1.039 seconden audio per seconde verwerkt één kaart 1.000 minuten in ongeveer één minuut kloktijd, dus het break-evenpunt ten opzichte van een API van $5,00 per 1.000 minuten wordt bij volume snel bereikt — en wordt helemaal nooit bereikt als uw volume een paar uur per week bedraagt.

Drie leemtes waar het lanceerbericht niet bij stilstaat

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.

Twee kleinere punten horen op dezelfde lijst. Het technische rapport is gelinkt als 'binnenkort beschikbaar', dus de trainingsdata, het evaluatieprotocol dat verder gaat dan wat de kaart toont, en de foutanalyse ontbreken allemaal nog. En native vLLM-ondersteuning is vandaag een plugin; de kaart zegt dat Salesforce ernaar streeft dit upstream te brengen, wat betekent dat de integratie die je nu kiest mogelijk moet veranderen.

Wanneer dit toch het juiste model is

Het nauwkeurigheidsprofiel wijst op een specifieke koper. Entiteitsrijke Engelse audio — rekeningnummers, e-mailadressen, medicijnnamen, tickersymbolen — is waar de combinatie van 2,28% AA-WER en het Contextual Earnings-22-resultaat daadwerkelijk loont. Een pipeline die de woordenschat van het gesprek al kent en die aan het model kan meegeven als hintlijst, behaalt een meetbare verbetering die een algemene API niet evenaart zonder dezelfde biasing-ondersteuning.

Datavestiging is het tweede geval. Apache 2.0-gewichten op je eigen hardware betekenen dat de audio het gebouw nooit verlaat, en voor callcenteropnames in gereguleerde sectoren is dat vaak de doorslaggevende beperking in plaats van een nice-to-have. De limiet van 30 minuten en het ontbreken van streaming zijn aanvaardbare kosten wanneer de workload nachtelijke batchtranscriptie van opgenomen gesprekken betreft.

Dicteren met een huisstijl is het derde. Instructiegestuurde controle over letterlijke versus opgeschoonde uitvoer, cijferopmaak en het verwijderen van vulwoorden is een echt onderscheidend kenmerk ten opzichte van op Whisper gebaseerde pipelines, waar de prompt een tekstprefix is in plaats van een instructie die het model is getraind te volgen.

Een praktische opmerking voor wie dit in een groter systeem integreert: het transcript is meestal de input voor iets anders — een samenvatter, een QA-agent, een ticketclassificator. Die tweede stap is waar een router zijn plek verdient. OrcaRouter zet 200+ tekst-, beeld- en videomodellen achter één sleutel met lijstprijzen van providers doorgegeven tegen 0% opslag, zodat het model dat de output van SOV-Transcribe-1 leest, kan worden vervangen of kan failoveren zonder een tweede contract. Het host SOV-Transcribe-1 zelf niet; het spraakmodel draait op je GPU, en de routering begint waar de tekst begint.

Wat is nog steeds onbewezen?

Drie dingen zullen bepalen of dit model er over zes maanden nog net zo goed uitziet als in de week van de lancering. Onafhankelijke reproductie van de entiteits- en accentcijfers is het eerste: VoiceCodeBench is niet openbaar en AppTek is het corpus van één leverancier, dus de claims die commercieel het meest tellen, zijn juist degene met het minste externe bewijs. Robuustheid bij lange, rommelige audio met meerdere sprekers is het tweede, en het cijfer van 4,06% op Earnings22 is het enige publieke signaal — reëel, maar smal. Het derde is of het servingverhaal eenvoudiger wordt. Een vLLM-plugin vastgepind op één versie, een download van 53 GB en een limiet van 64 sequenties zijn allemaal frictie die upstream-ondersteuning en gekwantiseerde builds zouden wegnemen.

Voorlopig is de eerlijke samenvatting dat Salesforce de meest nauwkeurige beschikbare open spraakherkenner heeft gepubliceerd en ongewoon transparant is geweest over de aard van de afweging: zeven talen, dertig minuten, geen streaming, één GPU. Of die afweging voor jou de juiste is, is een kwestie van jouw audio, niet van het leaderboard.