SOV-Transcribe-1 เป็นโมเดลเสียงพูดแบบเปิดที่แม่นยำที่สุด และยังเป็นโมเดลที่ใช้งานสะดวกน้อยที่สุดอีกด้วย
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 226 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 101 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0719 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 82 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 182 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 46 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 139 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 63 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 181 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 138 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 111 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 321 tok/s
SOV-Transcribe-1 ของ Salesforce เป็นระบบรู้จำเสียงพูดแบบ open-weights ที่ดีที่สุดเท่าที่เคยมีใครเผยแพร่ บนกระดานจัดอันดับแบบไม่สตรีมมิงของ Artificial Analysis มันได้คะแนน AA-WER 2.28% ซึ่งต่ำกว่าทุกรุ่นที่เป็นกรรมสิทธิ์ยกเว้นเพียงไม่กี่รุ่น และต่ำกว่าทุกรุ่นที่ดาวน์โหลดได้อย่างชัดเจน — Nemotron 3.5 Transcribe อยู่ที่ 2.81% และ Whisper Large v3 Turbo ที่ใช้งานมานานอยู่ที่ 4.62% ข้อแม้ถูกเขียนไว้ในโมเดลการ์ดเดียวกัน: SOV-Transcribe-1 เป็นแบบไม่สตรีมมิง รองรับเจ็ดภาษา มาในรูปแบบเช็กพอยต์ BF16 ขนาด 53 GB และมีไว้ให้คุณให้บริการบน GPU ของคุณเอง มันเปิดตัวเมื่อวันที่ 12 พฤศจิกายน 2026 ภายใต้ Apache 2.0 และความแม่นยำไม่ใช่ส่วนที่น่าสนใจของเรื่องนี้ ส่วนที่น่าสนใจคือต้นทุนในการเปลี่ยนความแม่นยำนั้นให้เป็นไปป์ไลน์ที่ใช้งานได้
Salesforce ใส่อะไรไว้บน Hugging Face จริง ๆ
รีโพซิทอรีคือ salesforce-sovereign-intelligence/SOV-Transcribe-1 ซึ่งสร้างเมื่อวันที่ 10 พฤศจิกายน และถูกแตะอีกครั้งในวันที่ 11 ส่วนโพสต์เปิดตัวและการจัดอันดับของ Artificial Analysis ต่างก็เผยแพร่ในวันที่ 12 นี่คือโมเดลภาษาที่เสริมด้วยเสียงแบบ open-weight ตัวแรกของ Salesforce ซึ่งเป็นข้อกล่าวอ้างเชิงสถาปัตยกรรมที่เฉพาะเจาะจง ไม่ใช่การตลาด: เอนโคเดอร์เสียงป้อนข้อมูลเข้าสู่โปรเจกเตอร์ และดีโคเดอร์แบบ mixture-of-experts ขนาดใหญ่เป็นตัวเขียนบทถอดความ
• ขนาด — พารามิเตอร์ทั้งหมด 26.6B ตัว โดยมี 4.6B ตัวที่ใช้งานต่อโทเคน และทั้งสองตัวเลขนั้นรวมตัวเข้ารหัสเสียงไว้ด้วย การจับคู่แบบนี้คือสิ่งที่การเปิดตัวอาศัยอยู่ เพราะมันวางโมเดลไว้บนเส้นแนวหน้าด้านความแม่นยำต่อพารามิเตอร์ที่ใช้งาน ไม่ใช่ความแม่นยำต่อพารามิเตอร์ทั้งหมด
• 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 Google's, and the contribution is the adaption between them.
• ความแม่นยำ — น้ำหนัก BF16 โดยเก็บ MoE router ไว้ใน FP32 เช็กพอยต์นี้ประกอบด้วยชาร์ด safetensors สิบหกไฟล์ รวมกันประมาณ 53 GB ดังนั้น "open weights" ในที่นี้หมายถึงไฟล์ดาวน์โหลดที่จะไม่พอดีกับการ์ด 48 GB เพียงใบเดียวในรูปแบบ BF16
• เสียง — อินพุตแบบโมโน 16 kHz สูงสุด 30 นาทีต่อการบันทึกตามที่ทดสอบแล้ว ไฟล์ที่ยาวกว่านั้นเป็นปัญหาของผู้เรียกใช้: วิธีเลี่ยงที่แนะนำคือแบ่งที่ขอบเขตคำพูดแล้วนำมาต่อกัน
• ภาษา — อังกฤษ ฝรั่งเศส เยอรมัน สเปน อิตาลี โปรตุเกส และดัตช์ ทั้งเจ็ดภาษาเป็นภาษายุโรป โดยภาษาอังกฤษมีความโดดเด่นเป็นหลักในทุก benchmark ที่ Salesforce เผยแพร่
• การควบคุม — คำสั่งในข้อความของผู้ใช้ เอาต์พุตแบบคำต่อคำหรือแบบปรับปรุงให้เรียบร้อย เครื่องหมายวรรคตอนและการใช้ตัวพิมพ์ใหญ่ ตัวเลขกับการเขียนตัวเลขเป็นคำ และการให้น้ำหนักบริบทเพิ่มเติมแบบเลือกได้ด้วยรายการคำสำคัญหรือประโยคที่อธิบายโดเมน
• เฟรมเวิร์ก — ปลั๊กอิน vLLM ที่ปักหมุดไว้กับ vLLM 0.32.0 หรือ Transformers 5.19 ถึง 5.22 พร้อมโค้ดสำหรับการสร้างโมเดลของรีโพซิทอรีเอง การรองรับแบบเนทีฟจากต้นน้ำถูกระบุว่าเป็นงานที่อยู่ระหว่างดำเนินการ ยังไม่ได้เผยแพร่
• การถอดรหัสเชิงคาดการณ์ (speculative decoding) — โมเดลร่างแยกต่างหาก DFlash ชื่อ SOV-Transcribe-1-DFlash เสนอครั้งละ 15 โทเคน Salesforce วัดความเร็วในการถอดรหัสได้เร็วขึ้น 2–3 เท่าสำหรับการให้บริการแบบคำขอเดียว โดยมีความแม่นยำ "อยู่ในช่วงความแปรผันระหว่างการรันแต่ละครั้ง"
2.28% มาจากไหน
Artificial Analysis ไม่ได้เผยแพร่ค่า WER เพียงค่าเดียว ดัชนี AA-WER v2 ของบริษัทเป็นองค์ประกอบแบบถ่วงน้ำหนักจากสามชุดข้อมูล โดย AA-AgentTalk มีน้ำหนัก 50% VoxPopuli-Cleaned-AA 25% และ Earnings22-Cleaned-AA 25% การถ่วงน้ำหนักนี้สำคัญ เพราะองค์ประกอบทั้งสามให้ผลแตกต่างกันเกี่ยวกับโมเดลนี้ถึงเกือบสามเท่า
• AA-AgentTalk — อัตราความผิดพลาดระดับคำ 1.79% โดยชุดบทสนทนาสังเคราะห์นี้มีน้ำหนักครึ่งหนึ่งของดัชนี
• VoxPopuli-Cleaned — 1.50% เป็นเสียงพูดที่อ่านออกเสียงจากบันทึกเสียงรัฐสภายุโรป นี่คือด้านที่โมเดลทำได้ดีที่สุด และเป็นด้านที่ใกล้เคียงกับส่วนผสมการฝึกเจ็ดภาษามากที่สุด
• Earnings22-Cleaned — 4.06% การประชุมรายงานผลประกอบการจริงที่มีชื่อ สัญลักษณ์หุ้น และตัวเลข นี่คือพื้นผิวที่แย่ที่สุดของโมเดล และเป็นพื้นผิวที่ใกล้เคียงกับเสียงระดับองค์กรจริงมากที่สุด
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 Alibaba'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.
ตัวเลขของผู้ขายเอง และคุณค่าของตัวเลขเหล่านั้น
ทุกอย่างในส่วนนี้เป็นข้อมูลที่ Salesforce รายงานเอง ไม่มีส่วนใดได้รับการทำซ้ำภายนอกบริษัท และเกณฑ์มาตรฐานสองรายการไม่เปิดเผยต่อสาธารณะ ซึ่งหมายความว่าคนภายนอกไม่สามารถทำซ้ำได้แม้ในทางหลักการ
• ความแม่นยำของเอนทิตี — บน VoiceCodeBench ซึ่งเป็นกระดานผู้นำแบบส่วนตัวที่ดำเนินการโดย BeSimple นั้น SOV-Transcribe-1 ผ่านการทดสอบ 76.3% ของไฟล์บันทึกได้ทันที (เอนทิตีเป้าหมายทุกตัวถูกต้อง) และจับเอนทิตีได้ 93.4% Salesforce รายงานว่าอยู่อันดับหนึ่งในกลุ่มระบบแบบ open-weight และอันดับสองจากทั้งหมด 23 ระบบ เนื่องจากชุดข้อมูลนี้เป็นแบบส่วนตัว หลักฐานเดียวที่มีจึงเป็นสรุปจากผู้ขาย
• สำเนียง — WER เฉลี่ย 8.21% บน AppTek Call-Center Dialogues ทั่ว 14 สำเนียงภาษาอังกฤษ โดยมีข้อผิดพลาดต่ำที่สุดใน 8 จาก 14 สำเนียง นี่คือตัวเลขที่มีประโยชน์ที่สุดในการเปิดตัวสำหรับใครก็ตามที่ดูแลสายซัพพอร์ต และเป็นตัวเลขที่ตรวจสอบได้ยากที่สุด
• สัญญาณรบกวนและการฮัลลูซิเนชัน — WER 25.69% บน HALAS ซึ่งเป็นชุดการประชุมแจ้งผลประกอบการที่มนุษย์ใส่คำอธิบายประกอบไว้ และถูกเลือกมาเนื่องจากความเสี่ยงด้านการฮัลลูซิเนชัน ชุดเปรียบเทียบคือตัวเลขที่ผู้ขายแต่ละรายเผยแพร่เอง: Qwen3-ASR 1.7B อยู่ที่ 26.01%, Voxtral Small 24B อยู่ที่ 27.35%, Nemotron 3.5 Transcribe อยู่ที่ 31.59% และ Granite Speech 5.0 2B อยู่ที่ 34.51% อัตราความผิดพลาด 25.69% ยังคงเป็นหนึ่งคำในสี่คำ และช่องว่างกับโมเดลถัดไปคือ 0.32 จุด
• การทำตามสไตล์ — WER ที่คำนึงถึงความชอบ 5.05% เมื่อรูปแบบที่ร้องขอถูกระบุเป็นคำสั่ง เป็นรองเพียง IBM's Granite Speech 5.0 2B ที่ 4.70% ข้อกล่าวอ้างเรื่องการทำตามคำสั่งเป็นเรื่องจริง แต่ไม่ได้เป็นผู้นำ
• การให้น้ำหนักตามบริบท (Context biasing) — บน Contextual Earnings-22 ค่า F1 ของคำสำคัญเพิ่มขึ้นจาก 71.9 เมื่อไม่มีคำใบ้ เป็น 96.8 เมื่อได้รับคำสำคัญของคลิปนั้นเอง และยังได้คะแนน 94.0 เมื่อได้รับรายการคำสำคัญของทั้งชั่วโมง ซึ่งส่วนใหญ่เป็นตัวรบกวน นี่คือผลลัพธ์ที่โน้มน้าวใจได้มากที่สุดเพียงผลเดียวในการเปิดตัว เพราะการให้น้ำหนักที่เต็มไปด้วยตัวรบกวนเป็นจุดที่การบูสต์คำสำคัญแบบง่าย ๆ มักล้มเหลว
บิลจะมาถึงตอนเสิร์ฟ
ไม่มีราคาแบบโฮสต์สำหรับ SOV-Transcribe-1 Salesforce เผยแพร่เฉพาะน้ำหนักโมเดล ไม่ใช่เอนด์พอยต์ และไม่มีผู้ให้บริการอินเฟอเรนซ์จากบุคคลที่สามรายใดปรากฏบนบอร์ดของ Artificial Analysis พร้อมตัวเลขต่อ 1,000 นาทีสำหรับโมเดลนี้ ดังนั้นการเปรียบเทียบต้นทุนจึงไม่ใช่ดอลลาร์ต่อนาทีเทียบกับ API แต่เป็นชั่วโมง GPU เทียบกับ API และการ์ดโมเดลให้ตัวเลขที่ครบถ้วนอย่างผิดปกติสำหรับการคำนวณนั้น
• ทรูพุต — ด้วยการรองรับ vLLM แบบเนทีฟและการเปิดใช้ DFlash draft การ์ด RTX PRO 6000 Blackwell Server Edition หนึ่งใบ (96 GB) จะถอดเสียงได้มากถึง 1,039 วินาทีของเสียงต่อหนึ่งวินาที และคืนข้อความถอดเสียงของการบันทึกความยาว 30 วินาทีได้ภายใน 0.22 วินาที นี่คือตัวเลขการให้บริการแบบแบตช์ที่วัดจากบิลด์สำหรับพัฒนาของ vLLM ในเดือนพฤศจิกายน 2026 บนการ์ดเพียงใบเดียว
• ความหน่วงตามความยาวคลิป — เมื่อไม่มีโมเดลฉบับร่าง: 0.16 วินาที สำหรับเสียงยาวสูงสุด 10 วินาที, 0.44 วินาที สำหรับ 10–30 วินาที, 0.88 วินาที สำหรับ 30–60 วินาที, 2.78 วินาที สำหรับ 1–5 นาที เมื่อใช้ DFlash: 0.09, 0.15, 0.31 และ 1.26 วินาที
• หน่วยความจำ — จำเป็นต้องใช้ max_num_seqs=64 เพื่อให้การโปรไฟล์ตอนเริ่มต้นอยู่ภายในขีดจำกัดของการ์ด 96 GB หลังจากโหลดโมเดล draft แล้ว ค่าเริ่มต้นของ vLLM ที่ 1,024 ซีเควนซ์พร้อมกันจะทำให้หน่วยความจำหมด นี่คือโมเดลที่ต้องการการ์ดเฉพาะ ไม่ใช่เพียงเสี้ยวหนึ่งของการ์ด
• จุดเปรียบเทียบ — รายการแบบ proprietary ที่ถูกที่สุดบนบอร์ด Artificial Analysis อยู่ที่ $1.67 ถึง $5.00 ต่อเสียง 1,000 นาที ด้วยความเร็ว 1,039 วินาทีของเสียงต่อวินาที การ์ดใบเดียวจึงประมวลผล 1,000 นาทีเสร็จในเวลาจริงประมาณหนึ่งนาที ดังนั้นจุดคุ้มทุนเมื่อเทียบกับ API ราคา $5.00 ต่อ 1,000 นาทีจะมาถึงอย่างรวดเร็วเมื่อปริมาณงานสูง — และจะไม่มีวันมาถึงเลยหากปริมาณของคุณมีเพียงไม่กี่ชั่วโมงต่อสัปดาห์
สามช่องว่างที่โพสต์เปิดตัวไม่ได้ลงรายละเอียด
The first is streaming. SOV-Transcribe-1 is non-streaming by design. Google's Gemini 3.5 Transcribe has a separate live endpoint, OpenAI's GPT 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. Gemini 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 Gemini'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.
มีสองรายการย่อยที่ควรอยู่ในรายการเดียวกัน รายงานทางเทคนิคถูกลิงก์ไว้ว่า “เร็ว ๆ นี้” ดังนั้นข้อมูลการฝึก โปรโตคอลการประเมินที่นอกเหนือจากที่การ์ดแสดง และการวิเคราะห์ความล้มเหลวจึงยังขาดหายไปทั้งหมด และการรองรับ vLLM แบบเนทีฟในปัจจุบันเป็นเพียงปลั๊กอิน การ์ดระบุว่า Salesforce ตั้งเป้าที่จะผลักดันสิ่งนี้เข้า upstream ซึ่งหมายความว่าการผสานรวมที่คุณนำมาใช้ตอนนี้อาจต้องเปลี่ยนแปลง
ในเมื่อนี่คือโมเดลที่ถูกต้องอยู่แล้ว
โปรไฟล์ความแม่นยำนี้ชี้ไปที่ผู้ซื้อรายใดรายหนึ่งโดยเฉพาะ ไฟล์เสียงภาษาอังกฤษที่เต็มไปด้วยเอนทิตี เช่น หมายเลขบัญชี ที่อยู่อีเมล ชื่อยา และสัญลักษณ์หุ้น คือจุดที่การผสานกันของ AA-WER ที่ 2.28% เข้ากับผลลัพธ์ Contextual Earnings-22 สร้างผลตอบแทนได้จริง ไพล์ไลน์ที่รู้คำศัพท์ของการโทรอยู่แล้ว และสามารถส่งให้โมเดลเป็นรายการคำใบ้ได้ จะได้รับส่วนเพิ่มที่วัดผลได้ ซึ่ง API เอนกประสงค์ทั่วไปจะทำได้ไม่เท่า หากไม่มีการสนับสนุนด้าน biasing แบบเดียวกัน
กรณีที่สองคือการเก็บข้อมูลให้อยู่ในสถานที่ที่กำหนด การที่น้ำหนักโมเดล Apache 2.0 อยู่บนฮาร์ดแวร์ของคุณเองหมายความว่าเสียงไม่เคยออกจากอาคาร และสำหรับการบันทึกเสียงของศูนย์รับสายในอุตสาหกรรมที่มีการกำกับดูแล สิ่งนี้มักเป็นข้อจำกัดที่ชี้ขาดมากกว่าจะเป็นเพียงสิ่งที่อยากมีเพิ่มเติม ข้อจำกัด 30 นาทีและการไม่มีสตรีมมิ่งถือเป็นต้นทุนที่ยอมรับได้เมื่อภาระงานคือการถอดเสียงบันทึกการโทรแบบแบตช์ข้ามคืน
การเขียนตามคำบอกด้วยสไตล์เฉพาะองค์กรเป็นข้อที่สาม การควบคุมด้วยคำสั่งเหนือเอาต์พุตแบบคำต่อคำเทียบกับแบบปรับให้เรียบร้อย การจัดรูปแบบตัวเลข และการตัดคำฟุ่มเฟือยออก ถือเป็นจุดแตกต่างที่แท้จริงเมื่อเทียบกับไปป์ไลน์ที่ต่อยอดจาก Whisper ซึ่งพรอมป์ต์เป็นเพียงข้อความนำหน้า ไม่ใช่คำสั่งที่โมเดลได้รับการฝึกให้ปฏิบัติตาม
ข้อควรทราบในทางปฏิบัติสำหรับใครก็ตามที่กำลังเชื่อมสิ่งนี้เข้ากับระบบที่ใหญ่กว่า: โดยปกติแล้วข้อความถอดเสียงคืออินพุตให้กับสิ่งอื่น — ระบบสรุป, เอเจนต์ QA, หรือตัวแยกประเภททิกเก็ต การต่อในขั้นที่สองนี่เองคือจุดที่เราเตอร์พิสูจน์คุณค่า OrcaRouter นำ200+ โมเดลข้อความ รูปภาพ และวิดีโอไว้หลังคีย์เดียว โดยมีราคาตามรายการของผู้ให้บริการที่ส่งต่อโดยบวกเพิ่ม 0% ดังนั้นโมเดลที่อ่านเอาต์พุตของ SOV-Transcribe-1 จึงสามารถสลับหรือสลับไปใช้ตัวสำรองได้โดยไม่ต้องมีสัญญาที่สอง ระบบไม่ได้โฮสต์ SOV-Transcribe-1 เอง; โมเดลเสียงทำงานบน GPU ของคุณ และการกำหนดเส้นทางเริ่มต้นตรงจุดที่ข้อความเริ่มต้น
อะไรที่ยังไม่ได้รับการพิสูจน์
สามสิ่งจะตัดสินว่าโมเดลนี้จะดูดีในอีกหกเดือนเท่ากับในสัปดาห์ที่เปิดตัวหรือไม่ การทำซ้ำผลตัวเลขเอนทิตีและสำเนียงอย่างอิสระเป็นข้อแรก: VoiceCodeBench เป็นแบบส่วนตัว และ AppTek เป็นคลังข้อมูลของผู้จำหน่ายรายเดียว ดังนั้นข้อกล่าวอ้างที่สำคัญที่สุดในเชิงพาณิชย์จึงเป็นข้อที่มีหลักฐานจากภายนอกน้อยที่สุด ความทนทานต่อเสียงที่ยาว ยุ่งเหยิง และมีผู้พูดหลายคนเป็นข้อที่สอง และตัวเลข 4.06% ของ Earnings22 เป็นสัญญาณสาธารณะเพียงอย่างเดียว — จริงแต่จำกัด ข้อที่สามคือเรื่องการให้บริการจะง่ายขึ้นหรือไม่ ปลั๊กอิน vLLM ที่ตรึงไว้กับเวอร์ชันเดียว การดาวน์โหลด 53 GB และขีดจำกัด 64 ซีเควนซ์ ล้วนเป็นความยุ่งยากที่การสนับสนุนจากต้นน้ำและบิลด์แบบควอนไทซ์จะขจัดออกไป
สำหรับตอนนี้ สรุปอย่างตรงไปตรงมาคือ Salesforce ได้เผยแพร่ตัวรู้จำเสียงพูดแบบเปิดที่แม่นยำที่สุดเท่าที่มีอยู่ในปัจจุบัน และได้มีความโปร่งใสอย่างผิดปกติเกี่ยวกับลักษณะของข้อแลกเปลี่ยนนี้: เจ็ดภาษา สามสิบนาที ไม่มีการสตรีมมิ่ง GPU หนึ่งตัว ข้อแลกเปลี่ยนนี้เหมาะกับคุณหรือไม่ เป็นคำถามเกี่ยวกับเสียงของคุณ ไม่ใช่เกี่ยวกับตารางอันดับ
