SOV-Transcribe-1 är den mest noggranna öppna talmodellen. Den är också den minst praktiska.

Salesforce SOV-Transcribe-1 är den bästa taligenkännaren med öppna vikter som någon har publicerat. På Artificial Analysis icke-strömmande testtavla får den 2,28 % AA-WER, vilket är lägre än alla proprietära modeller utom en handfull och lägre än alla nedladdningsbara med tydlig marginal – Nemotron 3.5 Transcribe ligger på 2,81 % och den länge använda Whisper Large v3 Turbo på 4,62 %. Haken står skriven i samma modellkort: SOV-Transcribe-1 är icke-strömmande, täcker sju språk, levereras som en BF16-checkpoint på 53 GB och är avsedd att köras av dig på din egen GPU. Den släpptes den 12 november 2026 under Apache 2.0, och noggrannheten är inte det intressanta i historien. Det intressanta är vad det kostar att förvandla den noggrannheten till en fungerande pipeline.

Vad Salesforce faktiskt lade upp på Hugging Face

Repositoriet salesforce-sovereign-intelligence/SOV-Transcribe-1 skapades den 10 november och uppdaterades igen den 11:e; lanseringsinlägget och placeringen hos Artificial Analysis publicerades båda den 12:e. Det är Salesforces första talförstärkta språkmodell med öppna vikter, vilket är ett specifikt arkitekturpåstående snarare än marknadsföring: en ljudkodare matar en projektor, och en stor mixture-of-experts-dekodare skriver transkriptionen.

• Storlek — 26,6B parametrar totalt, 4,6B aktiva per token, och båda siffrorna inkluderar ljudkodaren. Det är den kombinationen som lanseringen bygger på, eftersom den placerar modellen i framkant när det gäller noggrannhet per aktiv parameter snarare än noggrannhet per total 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.

• Precision — BF16-vikter med MoE-routern i FP32. Checkpointen består av sexton safetensors-shards som totalt omfattar ungefär 53 GB, så "öppna vikter" innebär här en nedladdning som inte får plats på ett enda 48 GB-kort i BF16.

• Ljud — 16 kHz monoingång, upp till 30 minuter per inspelning enligt test. Längre filer är anroparens problem: den rekommenderade lösningen är att dela vid talgränser och sammanfoga.

• Språk – engelska, franska, tyska, spanska, italienska, portugisiska och nederländska. Sju, alla europeiska, med engelskan dominerande i varje benchmark som Salesforce publicerat.

• Kontroll — instruktioner i användarmeddelandet. Ordagrant eller rensat utdata, interpunktion och versalisering, siffror kontra utskrivna tal, samt valfri kontextpåverkan med en nyckelordslista eller en mening som beskriver domänen.

• Ramverk – ett vLLM-plugin som är låst till vLLM 0.32.0, eller Transformers 5.19 till 5.22 med repots egen modelleringskod. Inbyggt stöd i uppströmsprojektet beskrivs som pågående arbete, inte som levererat.

• Spekulativ avkodning – en separat DFlash-utkastmodell, SOV-Transcribe-1-DFlash, föreslår femton token i taget. Salesforce uppmäter en 2–3 gånger snabbare avkodning för servering av enskilda förfrågningar, med en noggrannhet "inom variationen mellan körningar".

Var 2,28 % kommer ifrån

Artificial Analysis publicerar inte ett enda WER-värde. Deras AA-WER v2-index är ett viktat sammansatt mått av tre uppsättningar: AA-AgentTalk med 50 %, VoxPopuli-Cleaned-AA med 25 % och Earnings22-Cleaned-AA med 25 %. Den viktningen spelar roll, eftersom de tre komponenterna skiljer sig åt när det gäller den här modellen med en faktor på nästan tre.

• AA-AgentTalk — 1,79 % ordfelsfrekvens, det syntetiska samtalsdataset som bär halva indexvikten.

• VoxPopuli-Cleaned — 1,50 %, uppläst tal från inspelningar från Europaparlamentet. Detta är modellens bästa yta och den som ligger närmast dess träningsmix på sju språk.

• Earnings22-Cleaned — 4,06 %, verkliga vinstsamtal med namn, tickers och siffror. Detta är modellens svagaste yta och den som ligger närmast faktiskt företagsljud.

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.

Leverantörens egna siffror – och vad de är värda

Allt i det här avsnittet är rapporterat av Salesforce. Inget av det har reproducerats utanför företaget, och två av benchmarkarna är inte offentliga, vilket innebär att ingen utanför kan reproducera dem ens i princip.

• Entitetsnoggrannhet – på VoiceCodeBench, en privat resultattavla som drivs av BeSimple, klarar SOV-Transcribe-1 76,3 % av inspelningarna direkt (alla målentiteter korrekta) och fångar 93,4 % av entiteterna. Salesforce rapporterar att det är först bland system med öppna vikter och tvåa av 23 totalt. Eftersom uppsättningen är privat är den enda tillgängliga evidensen leverantörens sammanfattning.

• Accenter — 8,21 % genomsnittlig WER på AppTek Call-Center Dialogues över fjorton engelska accenter, med lägst fel på åtta av de fjorton. Det är det mest användbara siffran i lanseringen för alla som driver supportlinjer, och den är svårast att kontrollera.

• Brus och hallucinering — 25,69 % WER på HALAS, en mänskligt annoterad earnings call-uppsättning vald för hallucineringsrisk. Jämförelseuppsättningen är leverantörernas egna publicerade siffror: Qwen3-ASR 1.7B på 26,01 %, Voxtral Small 24B på 27,35 %, Nemotron 3.5 Transcribe på 31,59 % och Granite Speech 5.0 2B på 34,51 %. En felfrekvens på 25,69 % är fortfarande ett ord av fyra, och gapet till nästa modell är 0,32 procentenheter.

• Stilföljning – 5,05 % preferensmedveten WER när det begärda formatet anges som en instruktion, näst efter IBM:s Granite Speech 5.0 2B på 4,70 %. Påståendet om instruktionsföljning är sant, men det är inte en förstaplats.

• Kontextuell biasning – på Contextual Earnings-22 stiger F1 för nyckelord från 71,9 utan ledtrådar till 96,8 med klippets egna nyckelord, och uppnår fortfarande 94,0 när den får hela timmens nyckelordslista, där de flesta är distraktorer. Detta är det enskilt mest övertygande resultatet i lanseringen, eftersom distraktorstung biasning är där naiv nyckelordsboostning vanligtvis faller samman.

Notan kommer vid serveringen

Det finns inget hostat pris för SOV-Transcribe-1. Salesforce publicerade vikter, inte en endpoint, och ingen tredjepartsvärd för inferens visas på Artificial Analysis-tavlan med en siffra per 1 000 minuter för den. Så kostnadsjämförelsen är inte dollar per minut mot ett API – det är GPU-timmar mot ett API, och modellkortet ger ovanligt fullständiga siffror för den aritmetiken.

• Genomströmning – med inbyggt stöd för vLLM och DFlash-utkastet aktiverat transkriberar ett RTX PRO 6000 Blackwell Server Edition (96 GB) upp till 1 039 sekunder ljud per sekund och returnerar transkriptionen av en 30-sekunders inspelning på 0,22 sekunder. Det är en siffra för batch-servering uppmätt på en vLLM-utvecklingsversion i november 2026, på ett enda kort.

• Latens per klipplängd — utan draftmodellen: 0,16 s för upp till 10 s ljud, 0,44 s för 10–30 s, 0,88 s för 30–60 s, 2,78 s för 1–5 minuter. Med DFlash: 0,09, 0,15, 0,31 och 1,26 s.

• Minne — max_num_seqs=64 krävs för att hålla uppstartsprofileringen inom ett 96 GB-kort när draft-modellen har laddats. vLLM:s standardvärde på 1,024 samtidiga sekvenser gör att minnet tar slut. Det här är en modell som vill ha ett dedikerat kort, inte en del av ett.

• Jämförelsepunkt – de billigaste proprietära posterna på Artificial Analysis-tavlan kostar $1,67 till $5,00 per 1 000 minuter ljud. Vid 1 039 sekunder ljud per sekund klarar ett enda kort 1 000 minuter på ungefär en minut i realtid, så brytpunkten mot ett API för $5,00 per 1 000 minuter nås snabbt vid volym – och nås aldrig alls om din volym är några timmar i veckan.

Tre luckor som lanseringsinlägget inte uppehåller sig vid

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.

Två mindre punkter hör till samma lista. Den tekniska rapporten länkas som "kommer snart", så träningsdatan, utvärderingsprotokollet utöver vad kortet visar och felanalysen saknas fortfarande. Och det inbyggda vLLM-stödet är en plugin i dag; kortet säger att Salesforce siktar på att upstreama det, vilket innebär att integrationen du inför nu kan behöva ändras.

När det här ändå är rätt modell

Noggrannhetsprofilen pekar ut en specifik köpare. Entitetstungt engelskt tal – kontonummer, e-postadresser, läkemedelsnamn, tickersymboler – är där kombinationen av 2,28 % AA-WER och resultatet från Contextual Earnings-22 faktiskt lönar sig. En pipeline som redan känner till samtalets vokabulär och kan ge den till modellen som en ledtrådslista får en mätbar förbättring som ett API för allmänna ändamål inte kan matcha utan samma stöd för biasning.

Datalokalisering är det andra fallet. Apache 2.0-vikter på din egen hårdvara innebär att ljudet aldrig lämnar byggnaden, och för callcenterinspelningar i reglerade branscher är det ofta den avgörande begränsningen snarare än en trevlig extrafunktion. Gränsen på 30 minuter och avsaknaden av strömning är acceptabla kostnader när arbetsbelastningen består av nattlig batchtranskribering av inspelade samtal.

Diktering med husstil är den tredje. Instruktionsstyrning av ordagrant kontra rensat utdata, sifferformatering och borttagning av utfyllnadsord är en verklig särskiljande faktor gentemot Whisper-baserade pipelineer, där prompten är ett textprefix snarare än en instruktion som modellen har tränats att följa.

En praktisk kommentar till den som kopplar in det här i ett större system: transkriptionen är vanligtvis indata till något annat – en sammanfattare, en QA-agent, en ärendeklassificerare. Det är i det andra steget som en router gör nytta. OrcaRouter samlar 200+ text-, bild- och videomodeller bakom en enda nyckel med leverantörernas listpriser vidarebefordrade med 0 % påslag, så modellen som läser SOV-Transcribe-1s utdata kan bytas ut eller redundansväxlas utan ett andra avtal. Det driftar inte SOV-Transcribe-1 självt; talmodellen körs på din GPU, och routningen börjar där texten gör det.

Vad är fortfarande obevisat?

Tre saker kommer att avgöra om den här modellen ser lika bra ut om sex månader som den gör under sin lanseringsvecka. Oberoende reproduktion av entitets- och accentsiffrorna är det första: VoiceCodeBench är privat och AppTek är en leverantörs korpus, så de påståenden som har störst kommersiell betydelse är de med minst extern bevisning. Robusthet på långt, stökigt ljud med flera talare är det andra, och siffran 4,06 % för Earnings22 är den enda offentliga signalen – verklig, men snäv. Det tredje är om serving-historien blir enklare. Ett vLLM-plugin fastnaglat vid en version, en nedladdning på 53 GB och ett tak på 64 sekvenser är allt friktion som uppströmsstöd och kvantiserade byggen skulle ta bort.

Just nu är den ärliga sammanfattningen att Salesforce har publicerat den mest exakta tillgängliga öppna taligenkännaren och varit ovanligt transparent kring hur avvägningen ser ut: sju språk, trettio minuter, ingen streaming, en GPU. Huruvida den avvägningen är rätt för dig är en fråga om ditt ljud, inte om resultattavlan.