SOV-Transcribe-1 to najdokładniejszy otwarty model mowy. Jest również najmniej wygodny.

SOV-Transcribe-1 firmy Salesforce to najlepszy opublikowany przez kogokolwiek system rozpoznawania mowy z otwartymi wagami. W rankingu modeli nieprzetwarzających strumieniowo Artificial Analysis uzyskuje wynik 2,28% AA-WER, niższy niż w przypadku każdego modelu własnościowego z wyjątkiem kilku i wyraźnie niższy niż w przypadku każdego modelu do pobrania — Nemotron 3.5 Transcribe ma 2,81%, a od dawna obecny Whisper Large v3 Turbo — 4,62%. Haczyk jest zapisany w tej samej karcie modelu: SOV-Transcribe-1 nie przetwarza strumieniowo, obsługuje siedem języków, jest dostarczany jako checkpoint BF16 o rozmiarze 53 GB i jest przeznaczony do uruchamiania przez Ciebie na własnym GPU. Został wydany 12 listopada 2026 r. na licencji Apache 2.0, a dokładność nie jest najciekawszą częścią tej historii. Najciekawsze jest to, ile kosztuje przekształcenie tej dokładności w działający potok przetwarzania.

Co Salesforce faktycznie umieścił na Hugging Face

Repozytorium salesforce-sovereign-intelligence/SOV-Transcribe-1 zostało utworzone 10 listopada i ponownie zmodyfikowane 11 listopada; wpis o premierze oraz miejsce w Artificial Analysis pojawiły się 12 listopada. To pierwszy model językowy Salesforce z otwartymi wagami rozszerzony o mowę, co jest konkretnym twierdzeniem architektonicznym, a nie marketingiem: enkoder audio zasila projektor, a duży dekoder typu mixture-of-experts zapisuje transkrypcję.

• Rozmiar — łącznie 26,6 mld parametrów, 4,6 mld aktywnych na token, a obie liczby obejmują enkoder audio. To właśnie na tym zestawieniu opiera się premiera, ponieważ stawia ono model na granicy dokładności w przeliczeniu na aktywny parametr, a nie na parametr całkowity.

• 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.

• Precyzja — wagi BF16 z routerem MoE zachowanym w FP32. Checkpoint to szesnaście fragmentów safetensors o łącznym rozmiarze około 53 GB, więc „otwarte wagi” oznaczają tutaj pobranie, które nie zmieści się na pojedynczej karcie 48 GB w BF16.

• Audio — wejście mono 16 kHz, do 30 minut na nagranie w testach. Dłuższe pliki są problemem wywołującego: zalecane obejście to podział na granicach mowy i połączenie.

• Języki — angielski, francuski, niemiecki, hiszpański, włoski, portugalski i niderlandzki. Siedem, wszystkie europejskie, a angielski dominuje w każdym benchmarku opublikowanym przez Salesforce.

• Sterowanie — instrukcje w wiadomości użytkownika. Dosłowne lub oczyszczone dane wyjściowe, interpunkcja i wielkość liter, cyfry a liczby zapisane słownie oraz opcjonalne ukierunkowanie kontekstu za pomocą listy słów kluczowych lub zdania opisującego domenę.

• Frameworki — wtyczka vLLM przypięta do vLLM 0.32.0 albo Transformers 5.19–5.22 z własnym kodem modelowania z repozytorium. Natywne wsparcie upstream jest opisane jako praca w toku, a nie jako wydane.

• Dekodowanie spekulatywne — osobny model szkicowy DFlash, SOV-Transcribe-1-DFlash, proponuje piętnaście tokenów naraz. Salesforce odnotowuje 2–3-krotne przyspieszenie dekodowania przy obsłudze pojedynczych żądań, a dokładność pozostaje „w granicach zmienności między uruchomieniami”.

Skąd bierze się 2,28%?

Artificial Analysis nie publikuje jednego wskaźnika WER. Jego indeks AA-WER v2 to ważona kombinacja trzech zbiorów: AA-AgentTalk w 50%, VoxPopuli-Cleaned-AA w 25% i Earnings22-Cleaned-AA w 25%. Ten sposób ważenia ma znaczenie, ponieważ trzy składniki różnią się w wynikach dla tego modelu niemal trzykrotnie.

• AA-AgentTalk — 1,79% współczynnika błędu słów; syntetyczny zestaw konwersacyjny odpowiada za połowę wagi indeksu.

• VoxPopuli-Cleaned — 1,50%, mowa czytana z nagrań Parlamentu Europejskiego. To najlepiej wypadająca dziedzina tego modelu i zarazem najbliższa jego siedmiojęzykowemu zestawowi treningowemu.

• Earnings22-Cleaned — 4,06%, prawdziwe telekonferencje wynikowe z nazwami, tickerami i liczbami. To najsłabszy obszar modelu i jednocześnie ten najbliższy rzeczywistemu audio korporacyjnemu.

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.

Własne liczby dostawcy i ile są warte

Wszystko w tej sekcji pochodzi z danych Salesforce. Żadnej z tych informacji nie odtworzono poza firmą, a dwa z testów porównawczych nie są publiczne, co oznacza, że nikt z zewnątrz nie może ich odtworzyć nawet teoretycznie.

• Dokładność encji — w VoiceCodeBench, prywatnym rankingu prowadzonym przez BeSimple, SOV-Transcribe-1 zalicza od razu 76,3% nagrań (wszystkie docelowe encje poprawne) i odzyskuje 93,4% encji. Salesforce podaje, że to pierwsze miejsce wśród systemów z otwartymi wagami i drugie na 23 ogółem. Ponieważ zbiór jest prywatny, jedynym dostępnym dowodem jest podsumowanie dostawcy.

• Akcenty — średni WER 8,21% w AppTek Call-Center Dialogues w przypadku czternastu akcentów angielskich, z najniższym błędem w ośmiu z czternastu. To najbardziej przydatna liczba w ramach premiery dla każdego, kto obsługuje linie wsparcia, i najtrudniejsza do sprawdzenia.

• Szum i halucynacje — 25,69% WER na HALAS, zestawie telekonferencji wynikowych z adnotacjami przygotowanymi przez ludzi, wybranym ze względu na ryzyko halucynacji. Zestawem porównawczym są własne publikowane wyniki dostawców: Qwen3-ASR 1.7B — 26,01%, Voxtral Small 24B — 27,35%, Nemotron 3.5 Transcribe — 31,59% i Granite Speech 5.0 2B — 34,51%. Wskaźnik błędu 25,69% to wciąż jedno słowo na cztery, a różnica do następnego modelu wynosi 0,32 punktu.

• Przestrzeganie stylu — 5,05% WER uwzględniającego preferencje, gdy żądany format podano jako instrukcję; drugie miejsce za IBM Granite Speech 5.0 2B z wynikiem 4,70%. Twierdzenie o podążaniu za instrukcjami jest prawdziwe, ale nie prowadzi w zestawieniu.

• Biasowanie kontekstu — w Contextual Earnings-22 wynik F1 dla słów kluczowych rośnie z 71,9 bez podpowiedzi do 96,8 po podaniu słów kluczowych samego klipu, a nadal wynosi 94,0 przy przekazaniu pełnej godzinowej listy słów kluczowych, z których większość to dystraktory. To najbardziej przekonujący wynik w ramach premiery, ponieważ biasowanie z dużą liczbą dystraktorów to obszar, w którym naiwne wzmacnianie słów kluczowych zwykle się załamuje.

Rachunek przychodzi w momencie podania.

Nie ma hostowanej ceny dla SOV-Transcribe-1. Salesforce opublikował wagi, a nie endpoint, a na liście Artificial Analysis nie pojawia się żaden zewnętrzny host inferencji ze stawką za 1000 minut dla tego modelu. Zatem porównanie kosztów nie dotyczy dolarów za minutę w zestawieniu z API — chodzi o godziny GPU w zestawieniu z API, a karta modelu podaje wyjątkowo kompletne liczby do tej arytmetyki.

• Przepustowość — dzięki natywnej obsłudze vLLM i włączonemu trybowi szkicowemu DFlash jeden RTX PRO 6000 Blackwell Server Edition (96 GB) transkrybuje do 1,039 sekund dźwięku na sekundę i zwraca transkrypcję 30-sekundowego nagrania w 0,22 sekundy. To wynik serwowania wsadowego zmierzony na rozwojowej kompilacji vLLM w listopadzie 2026 r., na jednej karcie.

• Opóźnienie według długości klipu — bez modelu szkicowego: 0,16 s dla audio do 10 s, 0,44 s dla 10–30 s, 0,88 s dla 30–60 s, 2,78 s dla 1–5 minut. Z DFlash: 0,09, 0,15, 0,31 i 1,26 s.

• Pamięć — max_num_seqs=64 jest wymagane, aby profilowanie przy uruchamianiu zmieściło się w karcie 96 GB po załadowaniu modelu draft. Domyślna wartość 1024 równoczesnych sekwencji w vLLM powoduje wyczerpanie pamięci. To model, który wymaga dedykowanej karty, a nie jej fragmentu.

• Punkt odniesienia — najtańsze zastrzeżone pozycje w rankingu Artificial Analysis kosztują od 1,67 do 5,00 USD za 1000 minut audio. Przy 1039 sekundach audio na sekundę jedna karta przerabia 1000 minut w około minutę czasu rzeczywistego, więc próg rentowności względem API kosztującego 5,00 USD za 1000 minut zostaje osiągnięty szybko przy dużym wolumenie — a przy wolumenie kilku godzin tygodniowo nie zostaje osiągnięty nigdy.

Trzy luki, nad którymi wpis o premierze się nie rozwodzi

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.

Dwie mniejsze pozycje należą do tej samej listy. Raport techniczny jest podlinkowany jako „wkrótce”, więc dane treningowe, protokół ewaluacji wykraczający poza to, co pokazuje karta modelu, oraz analiza awarii wciąż brakują. A natywne wsparcie vLLM jest dziś wtyczką; karta mówi, że Salesforce zamierza włączyć je do projektu głównego, co oznacza, że integracja, którą teraz wdrożysz, może wymagać zmiany.

Kiedy to i tak jest właściwy model

Profil dokładności wskazuje konkretnego nabywcę. Angielskie audio obfitujące w encje — numery kont, adresy e-mail, nazwy leków, symbole tickerów — to właśnie tam kombinacja 2,28% AA-WER i wyniku Contextual Earnings-22 faktycznie się opłaca. Potok, który zna już słownictwo rozmowy i może przekazać je modelowi jako listę podpowiedzi, uzyskuje mierzalny wzrost, którego API ogólnego przeznaczenia nie dorówna bez takiego samego wsparcia biasingowego.

Rezydencja danych to drugi przypadek. Wagi Apache 2.0 na własnym sprzęcie oznaczają, że dźwięk nigdy nie opuszcza budynku, a w przypadku nagrań z centrów obsługi telefonicznej w branżach regulowanych często jest to decydujące ograniczenie, a nie jedynie miły dodatek. Limit 30 minut i brak strumieniowania to akceptowalne koszty, gdy obciążenie polega na nocnej transkrypcji wsadowej nagranych rozmów.

Trzecim elementem jest dyktowanie zgodne ze stylem redakcyjnym. Sterowanie za pomocą instrukcji tym, czy wynik ma być dosłowny, czy oczyszczony, a także formatowaniem cyfr i usuwaniem wypełniaczy, to prawdziwy wyróżnik względem potoków opartych na Whisperze, w których podpowiedź jest prefiksem tekstowym, a nie instrukcją, której model został wytrenowany przestrzegać.

Jedna praktyczna uwaga dla każdego, kto podłącza to do większego systemu: transkrypcja jest zwykle danymi wejściowymi dla czegoś innego — sumaryzatora, agenta QA, klasyfikatora zgłoszeń. To na tym drugim etapie router zyskuje rację bytu. OrcaRouter udostępnia ponad 200 modeli tekstowych, obrazowych i wideo za jednym kluczem z cennikiem dostawców przekazywanym bez marży (0%), dzięki czemu model, który odczytuje dane wyjściowe SOV-Transcribe-1, można wymienić lub awaryjnie przełączyć bez drugiej umowy. Sam nie hostuje SOV-Transcribe-1; model mowy działa na Twoim GPU, a routing zaczyna się tam, gdzie zaczyna się tekst.

Co jest wciąż nieudowodnione?

Trzy rzeczy zadecydują o tym, czy ten model będzie wyglądał równie dobrze za sześć miesięcy, jak w tygodniu premiery. Pierwszą jest niezależne odtworzenie wyników dla encji i akcentów: VoiceCodeBench jest zamknięty, a AppTek to korpus jednego dostawcy, więc twierdzenia najważniejsze z komercyjnego punktu widzenia mają najmniej zewnętrznych dowodów. Drugą jest odporność na długie, nieuporządkowane nagrania z wieloma mówcami, a wynik 4,06% w Earnings22 to jedyny publiczny sygnał — prawdziwy, ale wąski. Trzecią jest to, czy obsługa modelu stanie się prostsza. Wtyczka vLLM przypięta do jednej wersji, pobieranie 53 GB i limit 64 sekwencji to utrudnienia, które usunęłyby wsparcie upstream i skwantyzowane buildy.

Na razie uczciwe podsumowanie jest takie, że Salesforce opublikował najdokładniejszy dostępny otwarty system rozpoznawania mowy i był niezwykle transparentny co do kształtu kompromisu: siedem języków, trzydzieści minut, brak streamingu, jedna GPU. To, czy ten kompromis jest dla Ciebie odpowiedni, jest kwestią Twojego audio, a nie rankingu.