O SOV-Transcribe-1 é o modelo de fala aberto mais preciso. Também é o menos conveniente.

O SOV-Transcribe-1 da Salesforce é o melhor reconhecedor de fala de pesos abertos que alguém já publicou. No painel não streaming da Artificial Analysis, ele obtém 2,28% de AA-WER, inferior a todos os modelos proprietários exceto alguns poucos e inferior a todos os modelos baixáveis por uma margem clara — o Nemotron 3.5 Transcribe fica em 2,81% e o Whisper Large v3 Turbo, há muito tempo em uso, em 4,62%. O porém está escrito na própria ficha do modelo: o SOV-Transcribe-1 é não streaming, cobre sete idiomas, é distribuído como um checkpoint BF16 de 53 GB e foi feito para ser executado por você na sua própria GPU. Foi lançado em 12 de novembro de 2026 sob a licença Apache 2.0, e a precisão não é a parte interessante da história. A parte interessante é o custo de transformar essa precisão em um pipeline funcional.

O que a Salesforce realmente colocou no Hugging Face

O repositório é salesforce-sovereign-intelligence/SOV-Transcribe-1, criado em 10 de novembro e modificado novamente em 11 de novembro; o post de lançamento e a colocação na Artificial Analysis saíram ambos no dia 12. É o primeiro modelo de linguagem aumentado por fala com pesos abertos da Salesforce, o que é uma alegação arquitetural específica, não marketing: um codificador de áudio alimenta um projetor, e um grande decodificador de mistura de especialistas escreve a transcrição.

• Tamanho — 26,6B de parâmetros no total, 4,6B ativos por token, e ambos os números incluem o codificador de áudio. Essa combinação é o que o lançamento destaca, porque coloca o modelo na fronteira de precisão por parâmetro ativo, e não na de precisão por parâmetro total.

• 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.

Precisão — pesos BF16 com o roteador MoE mantido em FP32. O checkpoint é composto por dezesseis shards safetensors que totalizam aproximadamente 53 GB, então "pesos abertos" aqui significa um download que não caberá em uma única placa de 48 GB em BF16.

• Áudio — entrada mono de 16 kHz, até 30 minutos por gravação, conforme testado. Arquivos mais longos são problema do chamador: a solução alternativa recomendada é dividir nos limites da fala e concatenar.

• Idiomas — inglês, francês, alemão, espanhol, italiano, português e neerlandês. Sete, todos europeus, com o inglês dominante em todos os benchmarks publicados pela Salesforce.

• Controle — instruções na mensagem do usuário. Saída literal ou revisada, pontuação e capitalização, dígitos versus números escritos por extenso e viés de contexto opcional com uma lista de palavras-chave ou uma frase que descreva o domínio.

• Frameworks — um plugin do vLLM fixado na versão 0.32.0 do vLLM, ou Transformers 5.19 até 5.22 com o próprio código de modelagem do repositório. O suporte nativo upstream é descrito como trabalho em andamento, não incluído na versão.

• Decodificação especulativa — um modelo de rascunho DFlash separado, SOV-Transcribe-1-DFlash, propõe quinze tokens por vez. A Salesforce mede um ganho de velocidade de decodificação de 2–3x para atendimento de solicitação única, com precisão "dentro da variação entre execuções".

De onde vêm os 2,28%

A Artificial Analysis não publica um único WER. Seu índice AA-WER v2 é um composto ponderado de três conjuntos: AA-AgentTalk com 50%, VoxPopuli-Cleaned-AA com 25% e Earnings22-Cleaned-AA com 25%. Essa ponderação importa, porque os três componentes divergem sobre este modelo por um fator de quase três.

• AA-AgentTalk — taxa de erro de palavras de 1,79%, com o conjunto conversacional sintético respondendo por metade do peso do índice.

• VoxPopuli-Cleaned — 1,50%, fala lida de gravações do Parlamento Europeu. Esta é a melhor superfície do modelo e a mais próxima de sua mistura de treinamento em sete idiomas.

• Earnings22-Cleaned — 4,06%, chamadas de resultados reais com nomes, tickers e números. Esta é a pior superfície do modelo e a mais próxima do áudio corporativo real.

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.

Os números do próprio fornecedor, e o que eles valem

Tudo nesta seção é reportado pela Salesforce. Nada disso foi reproduzido fora da empresa, e dois dos benchmarks não são públicos, o que significa que ninguém de fora pode reproduzi-los, nem mesmo em princípio.

• Precisão de entidades — no VoiceCodeBench, um ranking privado administrado pela BeSimple, o SOV-Transcribe-1 acerta de imediato 76,3% das gravações (todas as entidades-alvo corretas) e recupera 93,4% das entidades. A Salesforce informa que isso o coloca em primeiro lugar entre os sistemas de pesos abertos e em segundo entre 23 no geral. Como o conjunto é privado, a única evidência disponível é o resumo do fornecedor.

• Sotaques — WER médio de 8,21% no AppTek Call-Center Dialogues em catorze sotaques do inglês, com o menor erro em oito dos catorze. Esse é o número mais útil do lançamento para quem opera linhas de suporte, e é o mais difícil de verificar.

• Ruído e alucinação — 25,69% de WER no HALAS, um conjunto de chamadas de resultados anotado por humanos e escolhido pelo risco de alucinação. O conjunto de comparação são os números publicados pelos próprios fornecedores: Qwen3-ASR 1.7B com 26,01%, Voxtral Small 24B com 27,35%, Nemotron 3.5 Transcribe com 31,59% e Granite Speech 5.0 2B com 34,51%. Uma taxa de erro de 25,69% ainda é uma palavra em cada quatro, e a diferença para o próximo modelo é de 0,32 pontos.

• Aderência ao estilo — WER sensível a preferências de 5,05% quando o formato solicitado é fornecido como instrução, ficando atrás apenas do Granite Speech 5.0 2B da IBM, com 4,70%. A alegação de seguimento de instruções é real, mas não é uma liderança.

• Viés de contexto — no Contextual Earnings-22, o F1 de palavras-chave sobe de 71,9 sem dicas para 96,8 quando recebe as palavras-chave do próprio clipe, e ainda pontua 94,0 quando recebe a lista de palavras-chave da hora inteira, a maioria das quais são distratores. Este é o resultado mais persuasivo do lançamento, porque o viés com muitos distratores é justamente onde o impulsionamento ingênuo de palavras-chave costuma desmoronar.

A conta chega na hora de servir

Não há preço para uso hospedado do SOV-Transcribe-1. A Salesforce publicou os pesos, não um endpoint, e nenhum provedor de inferência de terceiros aparece no quadro da Artificial Analysis com um valor por 1.000 minutos para ele. Portanto, a comparação de custos não é em dólares por minuto contra uma API — é em horas de GPU contra uma API, e a ficha do modelo fornece números excepcionalmente completos para essa aritmética.

• Vazão — com suporte nativo ao vLLM e o rascunho DFlash habilitado, uma RTX PRO 6000 Blackwell Server Edition (96 GB) transcreve até 1.039 segundos de áudio por segundo, e retorna a transcrição de uma gravação de 30 segundos em 0,22 segundos. Esse é um número de atendimento em lote medido em uma build de desenvolvimento do vLLM em novembro de 2026, em uma única placa.

• Latência por duração do clipe — sem o modelo draft: 0,16 s para até 10 s de áudio, 0,44 s para 10–30 s, 0,88 s para 30–60 s, 2,78 s para 1–5 minutos. Com DFlash: 0,09, 0,15, 0,31 e 1,26 s.

• Memória — max_num_seqs=64 é necessário para manter o profiling de inicialização dentro de uma placa de 96 GB depois que o modelo draft for carregado. O padrão do vLLM de 1.024 sequências concorrentes esgota a memória. Este é um modelo que exige uma placa dedicada, não uma fração de uma.

Ponto de comparação — as entradas proprietárias mais baratas no quadro do Artificial Analysis custam de US$ 1,67 a US$ 5,00 por 1.000 minutos de áudio. A 1.039 segundos de áudio por segundo, uma única placa processa 1.000 minutos em cerca de um minuto de tempo real, de modo que o ponto de equilíbrio em relação a uma API de US$ 5,00 por 1.000 minutos chega rapidamente em volume — e nunca chega se o seu volume for de algumas horas por semana.

Três lacunas que o post de lançamento não detalha

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.

Dois itens menores pertencem à mesma lista. O relatório técnico está vinculado como "em breve", então os dados de treinamento, o protocolo de avaliação além do que o card mostra e a análise de falhas ainda estão todos ausentes. E o suporte nativo ao vLLM é um plugin hoje; o card diz que a Salesforce pretende integrá-lo upstream, o que significa que a integração que você adota agora pode precisar mudar.

Quando este é o modelo certo, de qualquer forma

O perfil de precisão aponta para um comprador específico. Áudio em inglês com grande quantidade de entidades — números de conta, endereços de e-mail, nomes de medicamentos, símbolos de ticker — é onde a combinação de 2,28% de AA-WER com o resultado do Contextual Earnings-22 realmente compensa. Um pipeline que já conhece o vocabulário da chamada e consegue fornecê-lo ao modelo como uma lista de dicas obtém um ganho mensurável que uma API de uso geral não igualará sem o mesmo suporte de enviesamento.

A residência de dados é o segundo caso. Os pesos Apache 2.0 no seu próprio hardware significam que o áudio nunca sai do edifício e, para gravações de centros de atendimento em setores regulamentados, isso é frequentemente a restrição decisiva, e não um mero extra. O limite de 30 minutos e a ausência de streaming são custos aceitáveis quando a carga de trabalho é a transcrição em lote noturna de chamadas gravadas.

O ditado com um estilo editorial é o terceiro. O controle por instruções sobre a saída literal versus a saída limpa, a formatação de dígitos e a remoção de muletas de linguagem é um diferencial genuíno em relação aos pipelines derivados do Whisper, em que o prompt é um prefixo de texto, e não uma instrução que o modelo foi treinado a seguir.

Uma observação prática para quem está conectando isto a um sistema maior: a transcrição geralmente é a entrada de outra coisa — um resumidor, um agente de QA, um classificador de tickets. É nesse segundo salto que um roteador se justifica. O OrcaRouter coloca mais de 200 modelos de texto, imagem e vídeo atrás de uma única chave com preços de tabela dos provedores repassados com 0% de margem, para que o modelo que lê a saída do SOV-Transcribe-1 possa ser trocado ou tenha failover sem um segundo contrato. Ele não hospeda o próprio SOV-Transcribe-1; o modelo de fala roda na sua GPU, e o roteamento começa onde o texto começa.

O que ainda não foi comprovado

Três coisas decidirão se este modelo parecerá tão bom daqui a seis meses quanto parece na semana de seu lançamento. A reprodução independente dos números de entidades e sotaques é a primeira: o VoiceCodeBench é privado e o AppTek é o corpus de um único fornecedor, então as alegações mais importantes comercialmente são as que têm menos evidências externas. A robustez em áudio longo, bagunçado e com vários falantes é a segunda, e o número de 4,06% do Earnings22 é o único sinal público — real, mas estreito. A terceira é se a história de serving fica mais simples. Um plugin do vLLM fixado a uma versão, um download de 53 GB e um limite de 64 sequências são todos atritos que o suporte upstream e as builds quantizadas eliminariam.

Por enquanto, o resumo honesto é que a Salesforce publicou o reconhecedor de fala aberto mais preciso disponível e foi incomumente transparente quanto à forma do compromisso: sete idiomas, trinta minutos, sem streaming, uma GPU. Se esse compromisso é adequado para você é uma questão sobre o seu áudio, não sobre o ranking.