SOV-Transcribe-1 — самая точная открытая речевая модель. И при этом наименее удобная.

SOV-Transcribe-1 от Salesforce — лучший распознаватель речи с открытыми весами из всех, что кто-либо публиковал. В рейтинге Artificial Analysis для непоточного режима он набирает 2,28% AA-WER — это ниже, чем у всех проприетарных моделей, кроме нескольких, и с явным отрывом ниже, чем у любой модели, доступной для скачивания: Nemotron 3.5 Transcribe показывает 2,81%, а давно существующая Whisper Large v3 Turbo — 4,62%. Подвох прописан в той же карточке модели: SOV-Transcribe-1 работает не в потоковом режиме, поддерживает семь языков, поставляется как BF16-чекпоинт размером 53 ГБ и предполагает, что вы будете запускать её на собственном GPU. Она была выпущена 12 ноября 2026 года под лицензией Apache 2.0, и точность — не самая интересная часть этой истории. Самое интересное — сколько стоит превратить эту точность в рабочий пайплайн.

Что Salesforce на самом деле выложила на Hugging Face

Репозиторий salesforce-sovereign-intelligence/SOV-Transcribe-1 был создан 10 ноября и снова обновлён 11-го; пост о запуске и попадание в рейтинг Artificial Analysis появились 12-го. Это первая открытая по весам речевая языковая модель Salesforce, и это конкретное утверждение об архитектуре, а не маркетинг: аудиокодер передаёт данные в проектор, а большой декодер на основе смеси экспертов формирует транскрипцию.

• Размер — 26,6 млрд параметров в общей сложности, 4,6 млрд активных на токен, и оба показателя включают аудиокодер. Именно на это сочетание опирается запуск, поскольку оно выводит модель на передний край точности на активный параметр, а не точности на общий параметр.

• 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.

• Точность — веса BF16 при роутере MoE, сохранённом в FP32. Чекпоинт состоит из шестнадцати шардов safetensors общим объёмом примерно 53 ГБ, поэтому «открытые веса» здесь означают загрузку, которая не поместится на одну карту с 48 ГБ в BF16.

• Аудио — монофонический вход 16 кГц, до 30 минут на запись, как проверено. Более длинные файлы — проблема вызывающей стороны: рекомендуемый обходной путь — разбить по границам речи и объединить.

• Языки — английский, французский, немецкий, испанский, итальянский, португальский и нидерландский. Семь, все европейские, английский доминирует в каждом бенчмарке, опубликованном Salesforce.

• Управление — инструкции в сообщении пользователя. Дословный или очищенный вывод, пунктуация и использование заглавных букв, цифры или числа, записанные словами, а также необязательное смещение контекста с помощью списка ключевых слов или предложения, описывающего предметную область.

• Фреймворки — плагин vLLM, привязанный к vLLM 0.32.0, или Transformers 5.19–5.22 с собственным кодом моделирования из репозитория. Нативная поддержка в upstream описывается как находящаяся в разработке, а не как уже выпущенная.

• Спекулятивное декодирование — отдельная драфт-модель DFlash SOV-Transcribe-1-DFlash предлагает по пятнадцать токенов за раз. Salesforce измеряет ускорение декодирования в 2–3 раза при обслуживании одиночных запросов, при этом точность остаётся «в пределах вариации от запуска к запуску».

Откуда берутся 2,28%

Artificial Analysis не публикует единый WER. Его индекс AA-WER v2 представляет собой взвешенную композицию трёх наборов: AA-AgentTalk с весом 50%, VoxPopuli-Cleaned-AA — 25% и Earnings22-Cleaned-AA — 25%. Такое взвешивание имеет значение, поскольку три компонента расходятся в оценке этой модели почти втрое.

• AA-AgentTalk — частота ошибок в словах 1,79%, при этом синтетический разговорный набор несёт половину веса индекса.

VoxPopuli-Cleaned — 1,50%: зачитываемая речь из записей Европейского парламента. Это самый сильный срез модели и наиболее близкий к её обучающей смеси из семи языков.

• Earnings22-Cleaned — 4,06%, реальные конференц-звонки по финансовым результатам с именами, тикерами и числами. Это самый слабый аспект модели и тот, что ближе всего к реальному корпоративному аудио.

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.

Собственные цифры поставщика — и чего они стоят

Всё в этом разделе основано на данных, предоставленных Salesforce. Ничто из этого не было воспроизведено за пределами компании, а два бенчмарка не являются публичными, что означает, что никто извне не может воспроизвести их даже в принципе.

• Точность сущностей — в VoiceCodeBench, закрытом рейтинге, который ведёт BeSimple, SOV-Transcribe-1 полностью проходит 76,3% записей (все целевые сущности верны) и восстанавливает 93,4% сущностей. Salesforce сообщает, что это первое место среди систем с открытыми весами и второе из 23 в целом. Поскольку набор закрытый, единственное доступное свидетельство — сводка от поставщика.

• Акценты — средний WER 8,21 % на AppTek Call-Center Dialogues по четырнадцати английским акцентам, при этом наименьшая ошибка — на восьми из четырнадцати. Это самое полезное число в запуске для всех, кто обслуживает линии поддержки, и его сложнее всего проверить.

• Шум и галлюцинации — 25,69% WER на HALAS, наборе телефонных конференций по финансовым результатам с человеческой аннотацией, выбранном с учётом риска галлюцинаций. Для сравнения взяты собственные опубликованные показатели поставщиков: Qwen3-ASR 1.7B — 26,01%, Voxtral Small 24B — 27,35%, Nemotron 3.5 Transcribe — 31,59% и Granite Speech 5.0 2B — 34,51%. Частота ошибок 25,69% — это всё ещё одно слово из четырёх, а разрыв со следующей моделью составляет 0,32 пункта.

• Следование стилю — 5,05% WER с учётом предпочтений, когда запрошенный формат задан в виде инструкции, уступая только IBM Granite Speech 5.0 2B с 4,70%. Утверждение о следовании инструкциям верно, но это не лидерство.

• Контекстное смещение — на Contextual Earnings-22 F1 по ключевым словам растёт с 71,9 без подсказок до 96,8 при использовании ключевых слов самого фрагмента и всё ещё составляет 94,0, если передать список ключевых слов за весь час, большинство из которых являются отвлекающими. Это самый убедительный результат запуска, поскольку именно при смещении с большим количеством отвлекающих элементов наивное усиление ключевых слов обычно разваливается.

Счёт приносят в момент подачи блюд

Для SOV-Transcribe-1 нет цены хостинга. Salesforce опубликовала веса, а не эндпоинт, и на табло Artificial Analysis не появляется сторонний провайдер инференса с показателем в расчёте на 1000 минут для неё. Таким образом, сравнение затрат — это не доллары за минуту против API, а GPU-часы против API, и карточка модели приводит необычно полные числа для такой арифметики.

• Пропускная способность — при нативной поддержке vLLM и включённом драфте DFlash одна RTX PRO 6000 Blackwell Server Edition (96 ГБ) расшифровывает до 1 039 секунд аудио в секунду и возвращает расшифровку 30-секундной записи за 0,22 секунды. Это показатель пакетного обслуживания, измеренный на dev-сборке vLLM в ноябре 2026 года на одной карте.

• Задержка в зависимости от длины клипа — без черновой модели: 0,16 с для аудио длительностью до 10 с, 0,44 с для 10–30 с, 0,88 с для 30–60 с, 2,78 с для 1–5 минут. С DFlash: 0,09, 0,15, 0,31 и 1,26 с.

• Память — max_num_seqs=64 требуется, чтобы после загрузки черновой модели профилирование при запуске уместилось в 96-ГБ карту. Значение vLLM по умолчанию в 1 024 одновременных последовательности приводит к исчерпанию памяти. Этой модели нужна выделенная карта, а не её часть.

• Точка сравнения — самые дешёвые проприетарные решения в рейтинге Artificial Analysis стоят от $1,67 до $5,00 за 1000 минут аудио. При 1 039 секундах аудио в секунду одна карта обрабатывает 1000 минут примерно за минуту реального времени, поэтому при больших объёмах точка безубыточности относительно API стоимостью $5,00 за 1000 минут достигается быстро — и не достигается вовсе, если ваш объём — несколько часов в неделю.

Три пробела, которые пост о запуске обходит вниманием

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.

Два пункта поменьше тоже стоит добавить в тот же список. Технический отчёт указан как «скоро появится», поэтому обучающие данные, протокол оценки сверх того, что показывает карточка, и анализ ошибок — всё это пока отсутствует. А нативная поддержка vLLM сегодня реализована как плагин; в карточке сказано, что Salesforce намерена включить её в основной проект, а значит, интеграция, которую вы внедрите сейчас, возможно, потребует изменений.

Когда это всё равно правильная модель

Профиль точности указывает на конкретного покупателя. Англоязычное аудио с высокой плотностью сущностей — номера счетов, адреса электронной почты, названия лекарств, тикер-символы — это именно тот случай, где сочетание показателя AA-WER 2,28% и результата Contextual Earnings-22 действительно окупается. Пайплайн, который уже знает словарь звонка и может передать его модели в виде списка подсказок, получает измеримый прирост, которого универсальный API не достигнет без такой же поддержки смещения.

Локализация данных — второй случай. Веса Apache 2.0 на вашем собственном оборудовании означают, что аудио никогда не покидает пределы организации, и для записей колл-центров в регулируемых отраслях это часто становится решающим ограничением, а не приятным бонусом. Ограничение в 30 минут и отсутствие потоковой передачи — приемлемая плата, когда рабочая нагрузка представляет собой ночную пакетную транскрипцию записанных звонков.

Диктовка с соблюдением фирменного стиля — это третье. Управление с помощью инструкций тем, выводить ли текст дословно или в очищенном виде, форматированием цифр и удалением слов-заполнителей — это настоящее конкурентное преимущество по сравнению с конвейерами на основе Whisper, где подсказка является текстовым префиксом, а не инструкцией, которой модель была обучена следовать.

Одно практическое замечание для тех, кто встраивает это в более крупную систему: транскрипт обычно служит входными данными для чего-то ещё — суммаризатора, QA-агента, классификатора заявок. Именно на этом втором этапе роутер оправдывает своё место. OrcaRouter объединяет более 200 моделей для текста, изображений и видео под одним ключом с прайс-листовыми ценами провайдеров, передаваемыми с наценкой 0%, поэтому модель, которая читает вывод SOV-Transcribe-1, можно заменить или переключить на резервный вариант без второго контракта. Сам SOV-Transcribe-1 он не размещает; речевая модель работает на вашем GPU, а маршрутизация начинается там, где начинается текст.

Что до сих пор не доказано

Три вещи решат, будет ли эта модель через полгода выглядеть так же хорошо, как в неделю запуска. Независимое воспроизведение показателей по сущностям и акцентам — первое: VoiceCodeBench закрыт, а AppTek — корпус одного поставщика, поэтому утверждения, наиболее важные коммерчески, имеют меньше всего внешних подтверждений. Устойчивость на длинном, грязном аудио с несколькими говорящими — второе, и показатель 4,06% на Earnings22 — единственный публичный сигнал: реальный, но узкий. Третье — станет ли история с обслуживанием проще. Плагин vLLM, привязанный к одной версии, загрузка на 53 ГБ и ограничение в 64 последовательности — всё это трение, которое устранили бы поддержка в upstream и квантованные сборки.

Пока что честный вывод таков: Salesforce опубликовала самый точный из доступных открытых распознавателей речи и необычно прозрачно описала, в чём именно заключается компромисс: семь языков, тридцать минут, без потоковой обработки, одна GPU. Подходит ли такой компромисс вам — это вопрос о вашем аудио, а не о таблице лидеров.