SOV-Transcribe-1 là mô hình giọng nói mở chính xác nhất. Đồng thời, nó cũng là mô hình kém tiện lợi nhất.

SOV-Transcribe-1 của Salesforce là bộ nhận dạng giọng nói trọng số mở tốt nhất mà bất kỳ ai đã công bố. Trên bảng xếp hạng không truyền phát trực tiếp của Artificial Analysis, nó đạt 2,28% AA-WER, thấp hơn mọi mô hình độc quyền ngoại trừ một vài mô hình và thấp hơn rõ rệt mọi mô hình có thể tải xuống — Nemotron 3.5 Transcribe ở mức 2,81% và Whisper Large v3 Turbo lâu năm ở mức 4,62%. Vấn đề được ghi ngay trong cùng thẻ mô hình: SOV-Transcribe-1 không truyền phát trực tiếp, hỗ trợ bảy ngôn ngữ, được phát hành dưới dạng checkpoint BF16 53 GB và được thiết kế để bạn tự phục vụ trên GPU của chính mình. Nó được phát hành ngày 12 tháng 11 năm 2026 theo Apache 2.0, và độ chính xác không phải là phần thú vị của câu chuyện. Phần thú vị là cái giá phải trả để biến độ chính xác đó thành một pipeline hoạt động được.

Salesforce thực sự đã đưa gì lên Hugging Face

Kho lưu trữ là salesforce-sovereign-intelligence/SOV-Transcribe-1, được tạo vào ngày 10 tháng 11 và được chỉnh sửa lại vào ngày 11; bài đăng ra mắt và vị trí trên Artificial Analysis đều xuất hiện vào ngày 12. Đây là mô hình ngôn ngữ tăng cường giọng nói trọng số mở đầu tiên của Salesforce, một tuyên bố về kiến trúc cụ thể chứ không phải chiêu tiếp thị: một bộ mã hóa âm thanh đưa đầu vào cho một bộ chiếu, và một bộ giải mã hỗn hợp chuyên gia lớn viết bản ghi.

• Kích thước — tổng cộng 26,6B tham số, 4,6B tham số hoạt động trên mỗi token, và cả hai con số đều bao gồm bộ mã hóa âm thanh. Cặp số liệu này chính là điểm mà buổi ra mắt dựa vào, vì nó đưa mô hình lên biên giới độ chính xác trên mỗi tham số hoạt động, chứ không phải trên mỗi tổng tham số.

• 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.

• Độ chính xác — Trọng số BF16 với bộ định tuyến MoE được giữ ở FP32. Checkpoint gồm mười sáu phân đoạn safetensors với tổng dung lượng khoảng 53 GB, vì vậy "open weights" ở đây nghĩa là một bản tải xuống sẽ không vừa trên một thẻ 48 GB trong BF16.

• Âm thanh — đầu vào mono 16 kHz, tối đa 30 phút mỗi bản ghi như đã kiểm thử. Các tệp dài hơn là vấn đề của bên gọi: cách xử lý được khuyến nghị là tách tại ranh giới lời nói và nối lại.

• Ngôn ngữ — tiếng Anh, tiếng Pháp, tiếng Đức, tiếng Tây Ban Nha, tiếng Ý, tiếng Bồ Đào Nha và tiếng Hà Lan. Bảy ngôn ngữ, đều là ngôn ngữ châu Âu, tiếng Anh chiếm ưu thế trong mọi benchmark mà Salesforce đã công bố.

• Điều khiển — hướng dẫn trong tin nhắn của người dùng. Đầu ra nguyên văn hoặc đã được làm gọn, dấu câu và cách viết hoa, chữ số so với số viết thành chữ, và tùy chọn tạo thiên lệch ngữ cảnh bằng danh sách từ khóa hoặc một câu mô tả lĩnh vực.

• Khung làm việc — một plugin vLLM được ghim vào vLLM 0.32.0, hoặc Transformers 5.19 đến 5.22 với mã mô hình riêng của kho lưu trữ. Hỗ trợ gốc upstream được mô tả là đang trong quá trình phát triển, chưa được phát hành.

• Giải mã suy đoán — một mô hình nháp DFlash riêng biệt, SOV-Transcribe-1-DFlash, đề xuất mười lăm token mỗi lần. Salesforce đo được mức tăng tốc giải mã 2–3 lần khi phục vụ một yêu cầu, với độ chính xác "nằm trong biến động giữa các lần chạy".

Con số 2,28% đến từ đâu

Artificial Analysis không công bố một chỉ số WER duy nhất. Chỉ số AA-WER v2 của họ là một tổ hợp có trọng số của ba bộ dữ liệu: AA-AgentTalk chiếm 50%, VoxPopuli-Cleaned-AA chiếm 25% và Earnings22-Cleaned-AA chiếm 25%. Cách đặt trọng số đó rất quan trọng, vì ba thành phần này không đồng thuận về mô hình này, với mức chênh lệch gần ba lần.

• AA-AgentTalk — tỷ lệ lỗi từ 1,79%, bộ hội thoại tổng hợp chiếm một nửa trọng số của chỉ số.

• VoxPopuli-Cleaned — 1.50%, lời nói đọc từ các bản ghi âm Nghị viện châu Âu. Đây là bề mặt tốt nhất của mô hình và là bề mặt gần nhất với hỗn hợp huấn luyện bảy ngôn ngữ của mô hình.

• Earnings22-Cleaned — 4.06%, các cuộc gọi thu nhập thực tế có tên, mã chứng khoán và số liệu. Đây là bề mặt tệ nhất của mô hình và là bề mặt gần nhất với âm thanh doanh nghiệp thực tế.

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.

Số liệu của chính nhà cung cấp, và giá trị thực của chúng

Mọi nội dung trong phần này đều do Salesforce báo cáo. Không có nội dung nào trong đó được tái lập bên ngoài công ty, và hai trong số các bài kiểm chuẩn không được công khai, nghĩa là không ai bên ngoài có thể tái lập chúng ngay cả về nguyên tắc.

• Độ chính xác thực thể — trên VoiceCodeBench, một bảng xếp hạng riêng do BeSimple vận hành, SOV-Transcribe-1 vượt qua 76,3% số bản ghi ngay từ đầu (mọi thực thể mục tiêu đều đúng) và khôi phục được 93,4% thực thể. Salesforce báo cáo rằng hệ thống này đứng đầu trong số các hệ thống trọng số mở và đứng thứ hai trong tổng số 23 hệ thống. Vì bộ dữ liệu là riêng tư, bằng chứng duy nhất hiện có là bản tóm tắt của nhà cung cấp.

• Giọng — WER trung bình 8,21% trên AppTek Call-Center Dialogues qua mười bốn giọng tiếng Anh, với mức lỗi thấp nhất ở tám trong số mười bốn giọng. Đó là con số hữu ích nhất trong đợt ra mắt đối với bất kỳ ai vận hành đường dây hỗ trợ, và cũng là con số khó kiểm chứng nhất.

• Nhiễu và ảo giác — WER 25.69% trên HALAS, một bộ dữ liệu cuộc gọi công bố lợi nhuận được chú thích thủ công, được chọn vì rủi ro ảo giác. Bộ so sánh là các số liệu do chính các nhà cung cấp công bố: Qwen3-ASR 1.7B ở 26.01%, Voxtral Small 24B ở 27.35%, Nemotron 3.5 Transcribe ở 31.59% và Granite Speech 5.0 2B ở 34.51%. Tỷ lệ lỗi 25.69% vẫn là một từ trên bốn, và khoảng cách với mô hình tiếp theo là 0.32 điểm.

• Tuân thủ phong cách — WER có nhận biết tùy chọn là 5,05% khi định dạng được yêu cầu được cung cấp dưới dạng chỉ dẫn, chỉ đứng sau Granite Speech 5.0 2B của IBM ở mức 4,70%. Tuyên bố về khả năng tuân thủ chỉ dẫn là có thật nhưng không phải là vị trí dẫn đầu.

• Thiên lệch theo ngữ cảnh — trên Contextual Earnings-22, F1 của từ khóa tăng từ 71,9 khi không có gợi ý lên 96,8 khi được cung cấp chính các từ khóa của đoạn clip, và vẫn đạt 94,0 khi nhận danh sách từ khóa của cả giờ, phần lớn trong đó là nhiễu. Đây là kết quả thuyết phục nhất trong buổi ra mắt, vì thiên lệch nặng nhiễu chính là nơi việc tăng cường từ khóa theo cách đơn giản thường sụp đổ.

Hóa đơn được mang đến vào giờ phục vụ.

Không có giá dịch vụ lưu trữ nào cho SOV-Transcribe-1. Salesforce đã công bố trọng số, không phải một endpoint, và không có nhà cung cấp suy luận bên thứ ba nào xuất hiện trên bảng của Artificial Analysis với con số tính trên mỗi 1.000 phút cho mô hình này. Vì vậy, so sánh chi phí không phải là đô-la mỗi phút so với một API — mà là giờ GPU so với một API, và thẻ mô hình đưa ra những con số đầy đủ đến bất thường cho phép tính đó.

• Thông lượng — với hỗ trợ vLLM gốc và bật DFlash draft, một RTX PRO 6000 Blackwell Server Edition (96 GB) phiên âm tới 1.039 giây âm thanh mỗi giây và trả về bản phiên âm của bản ghi 30 giây trong 0,22 giây. Đó là số liệu phục vụ theo lô được đo trên bản dựng phát triển vLLM vào tháng 11 năm 2026, trên một card.

• Độ trễ theo độ dài clip — không có mô hình nháp: 0,16 giây cho tối đa 10 giây âm thanh, 0,44 giây cho 10–30 giây, 0,88 giây cho 30–60 giây, 2,78 giây cho 1–5 phút. Với DFlash: 0,09; 0,15; 0,31 và 1,26 giây.

• Bộ nhớ — max_num_seqs=64 là bắt buộc để giữ quá trình profiling khởi động nằm trong một card 96 GB sau khi mô hình draft được tải. Mức mặc định 1.024 chuỗi đồng thời của vLLM sẽ hết bộ nhớ. Đây là mô hình cần một card riêng, chứ không phải một phần của card.

• Điểm so sánh — các mục độc quyền rẻ nhất trên bảng Artificial Analysis có giá từ $1,67 đến $5,00 cho mỗi 1.000 phút âm thanh. Với 1.039 giây âm thanh mỗi giây, một card duy nhất xử lý xong 1.000 phút trong khoảng một phút theo đồng hồ thực, vì vậy điểm hòa vốn so với một API giá $5,00 mỗi 1.000 phút sẽ đến nhanh khi sản lượng lớn — và thậm chí không bao giờ đến nếu sản lượng của bạn chỉ vài giờ mỗi tuần.

Ba lỗ hổng mà bài đăng ra mắt không đi sâu vào

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.

Hai mục nhỏ hơn nên nằm trong cùng một danh sách. Báo cáo kỹ thuật được liên kết với trạng thái “sắp ra mắt”, nên dữ liệu huấn luyện, giao thức đánh giá ngoài những gì thẻ hiển thị, và phân tích lỗi đều vẫn còn thiếu. Và hỗ trợ vLLM gốc hiện nay chỉ là một plugin; thẻ cho biết Salesforce đặt mục tiêu đưa nó lên upstream, nghĩa là tích hợp bạn chọn dùng bây giờ có thể sẽ cần thay đổi.

Khi đây vốn đã là mô hình đúng

Hồ sơ độ chính xác nhắm vào một người mua cụ thể. Âm thanh tiếng Anh chứa nhiều thực thể — số tài khoản, địa chỉ email, tên thuốc, mã chứng khoán — chính là nơi sự kết hợp giữa 2,28% AA-WER và kết quả Contextual Earnings-22 thực sự đáng giá. Một pipeline đã biết từ vựng của cuộc gọi và có thể đưa nó cho mô hình dưới dạng danh sách gợi ý sẽ đạt được mức cải thiện đo được mà một API đa dụng sẽ không thể sánh được nếu không có cùng hỗ trợ định hướng.

Lưu trú dữ liệu là trường hợp thứ hai. Trọng số Apache 2.0 trên phần cứng của riêng bạn nghĩa là âm thanh không bao giờ rời khỏi tòa nhà, và với các bản ghi cuộc gọi tại trung tâm cuộc gọi trong các ngành chịu quản lý, đó thường là ràng buộc mang tính quyết định chứ không phải một tiện ích phụ. Giới hạn 30 phút và việc không có tính năng truyền phát là những chi phí chấp nhận được khi khối lượng công việc là phiên âm hàng loạt qua đêm các cuộc gọi đã ghi âm.

Đọc chính tả theo phong cách riêng của tổ chức là điều thứ ba. Việc điều khiển bằng chỉ dẫn đối với đầu ra nguyên văn so với đầu ra đã được làm sạch, định dạng chữ số và loại bỏ từ đệm là một điểm khác biệt thực sự so với các quy trình bắt nguồn từ Whisper, nơi lời nhắc là một tiền tố văn bản chứ không phải một chỉ dẫn mà mô hình đã được huấn luyện để tuân theo.

Một lưu ý thực tế cho bất kỳ ai đang kết nối công cụ này vào một hệ thống lớn hơn: bản ghi thường là đầu vào cho một thứ khác — một công cụ tóm tắt, một tác nhân QA, một bộ phân loại phiếu yêu cầu. Chặng thứ hai đó chính là nơi một router chứng minh được vai trò của mình. OrcaRouter đặt hơn 200 mô hình văn bản, hình ảnh và video sau một khóa duy nhất với giá niêm yết của nhà cung cấp được chuyển nguyên với mức cộng thêm 0%, để mô hình đọc đầu ra của SOV-Transcribe-1 có thể được hoán đổi hoặc chuyển sang dự phòng mà không cần hợp đồng thứ hai. Nó không tự lưu trữ SOV-Transcribe-1; mô hình giọng nói chạy trên GPU của bạn, và việc định tuyến bắt đầu từ nơi văn bản bắt đầu.

Điều gì vẫn chưa được chứng minh?

Ba điều sẽ quyết định liệu mô hình này có còn tốt sau sáu tháng như trong tuần ra mắt hay không. Việc tái lập độc lập các con số về thực thể và giọng là điều đầu tiên: VoiceCodeBench là riêng tư và AppTek là kho ngữ liệu của một nhà cung cấp, nên những tuyên bố có ý nghĩa thương mại nhất lại là những tuyên bố có ít bằng chứng bên ngoài nhất. Độ bền vững trên âm thanh dài, lộn xộn, nhiều người nói là điều thứ hai, và con số 4,06% của Earnings22 là tín hiệu công khai duy nhất — có thật, nhưng hẹp. Điều thứ ba là liệu câu chuyện phục vụ có trở nên đơn giản hơn không. Một plugin vLLM bị ghim vào một phiên bản, bản tải xuống 53 GB và giới hạn 64 chuỗi đều là những rào cản mà hỗ trợ upstream và các bản dựng lượng tử hóa sẽ gỡ bỏ.

Hiện tại, tóm tắt trung thực là Salesforce đã công bố công cụ nhận dạng giọng nói mở chính xác nhất hiện có và đã minh bạch một cách bất thường về hình hài của sự đánh đổi: bảy ngôn ngữ, ba mươi phút, không streaming, một GPU. Việc sự đánh đổi đó có phù hợp với bạn hay không là câu hỏi về âm thanh của bạn, chứ không phải về bảng xếp hạng.