SOV-Transcribe-1 是最准确的开源语音模型。它也是最不方便的。

Salesforce 的 SOV-Transcribe-1 是迄今已发布的最佳开放权重语音识别模型。在 Artificial Analysis 的非流式排行榜上，它的 AA-WER 得分为 2.28%，低于除少数几个之外的所有专有模型，并且明显低于所有可下载模型——Nemotron 3.5 Transcribe 为 2.81%，长期使用的 Whisper Large v3 Turbo 为 4.62%。但问题也同样写在模型卡中：SOV-Transcribe-1 是非流式的，覆盖七种语言，以 53 GB 的 BF16 检查点形式发布，并且需要由你在自己的 GPU 上部署运行。它于 2026 年 11 月 12 日以 Apache 2.0 许可发布，而准确率并不是这个故事中有趣的部分。有趣的部分是，要把这种准确率变成可用的流水线需要付出什么代价。

Salesforce 到底在 Hugging Face 上放了什么

仓库 salesforce-sovereign-intelligence/SOV-Transcribe-1 创建于11月10日，并于11日再次更新；发布帖和 Artificial Analysis 的榜单收录都在12日出现。这是 Salesforce 首个开放权重的语音增强语言模型，这是一个具体的架构主张，而非营销话术：音频编码器接入一个投影器，再由一个大型混合专家解码器生成转录文本。

• 规模——总计 26.6B 参数，每个 token 激活 4.6B 参数，且这两个数字均包含音频编码器。正是这一组合成为此次发布所倚重的卖点，因为它让模型处于“每活跃参数准确率”的前沿，而非“每总参数准确率”的前沿。

• 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.

• 精度 — BF16 权重，MoE 路由器保持为 FP32。该检查点由十六个 safetensors 分片组成，总计约 53 GB，因此这里的“开放权重”意味着一次无法在单张 48 GB 显卡上以 BF16 容纳的下载。

• 音频 — 16 kHz 单声道输入，经测试每次录音最长可达 30 分钟。更长的文件需由调用方自行处理：推荐的变通方法是按语音边界拆分后再拼接。

• 语言——英语、法语、德语、西班牙语、意大利语、葡萄牙语和荷兰语。七种语言，均为欧洲语言；在 Salesforce 发布的每一项基准测试中，英语都占据主导地位。

• 控制 — 用户消息中的指令。逐字输出或整理后的输出、标点与大小写、数字与拼写数字的取舍，以及可选的上下文偏置：使用关键词列表或一句描述该领域的句子。

• 框架 — 固定到 vLLM 0.32.0 的 vLLM 插件，或 Transformers 5.19 至 5.22，并使用仓库自带的建模代码。原生上游支持被描述为仍在开发中，尚未发布。

• 推测解码 — 一个独立的 DFlash 草稿模型 SOV-Transcribe-1-DFlash 每次提议十五个 token。Salesforce 测得单请求服务的解码速度提升 2–3 倍，准确率“在运行间波动范围内”。

2.28% 从何而来

Artificial Analysis 并不发布单一的 WER。其 AA-WER v2 指数是三个数据集的加权组合：AA-AgentTalk 占 50%，VoxPopuli-Cleaned-AA 占 25%，Earnings22-Cleaned-AA 占 25%。这种权重安排很重要，因为这三个组成部分对该模型的评估结果相差近三倍。

• AA-AgentTalk — 1.79% 的词错误率，这个合成对话集占该指数权重的一半。

• VoxPopuli-Cleaned — 1.50%，来自欧洲议会录音的朗读语音。这是该模型表现最佳的应用场景，也是最接近其七语种训练数据混合分布的一个。

• Earnings22-Cleaned — 4.06%，包含姓名、股票代码和数字的真实财报电话会议。这是该模型表现最差的场景，也是最接近实际企业音频的场景。

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.

供应商自己的数据，以及它们的价值

本节中的所有内容均由 Salesforce 报告。其中没有任何内容在公司外部被复现过，而且其中两项基准测试未公开，这意味着外部任何人原则上都无法复现它们。

• 实体准确率——在 BeSimple 运营的私有排行榜 VoiceCodeBench 上，SOV-Transcribe-1 直接通过 76.3% 的录音（每个目标实体都正确），并找回 93.4% 的实体。Salesforce 报告称，这在开放权重系统中排名第一，在全部 23 个系统中排名第二。由于该数据集是私有的，唯一可用的证据就是厂商的摘要。

• 口音——在十四种英语口音上，AppTek Call-Center Dialogues 的平均 WER 为 8.21%，并且在十四种口音中有八种的错误率最低。对于任何运营客服热线的人来说，这是本次发布中最有用的数字，也是最难核实的。

• 噪声与幻觉——在 HALAS 上词错误率（WER）为 25.69%，该数据集是人工标注的财报电话会议集，专门因幻觉风险而选定。对比组采用各厂商自己公布的数据：Qwen3-ASR 1.7B 为 26.01%，Voxtral Small 24B 为 27.35%，Nemotron 3.5 Transcribe 为 31.59%，Granite Speech 5.0 2B 为 34.51%。25.69% 的错误率仍然意味着每四个词就有一个出错，而与排名紧随其后的模型差距为 0.32 个百分点。

• 风格遵循——当所要求的格式以指令形式给出时，偏好感知 WER 为 5.05%，仅次于 IBM 的 Granite Speech 5.0 2B（4.70%）。指令遵循的说法属实，但并非领先。

• 上下文偏置——在 Contextual Earnings-22 上，无提示时关键词 F1 为 71.9，给定片段自身的关键词后升至 96.8；即使提供整小时的关键词列表（其中大多数是干扰项），仍能获得 94.0 的分数。这是本次发布中最有说服力的结果，因为干扰项密集的偏置场景正是朴素关键词增强通常容易失效的地方。

账单在上菜时送到

SOV-Transcribe-1 没有托管价格。Salesforce 发布的是权重，而不是端点，并且在 Artificial Analysis 榜单上，也没有任何第三方推理托管商给出其每 1,000 分钟的费用数字。因此，成本比较不是按每分钟多少美元与 API 对比——而是按 GPU 小时与 API 对比，而模型卡为这项计算提供了异常完整的数字。

• 吞吐量 — 在原生支持 vLLM 并启用 DFlash 草稿的情况下，一块 RTX PRO 6000 Blackwell Server Edition（96 GB）每秒最多可转写 1,039 秒音频，并在 0.22 秒内返回一段 30 秒录音的转写文本。该数据是 2026 年 11 月在单卡上基于 vLLM 开发版本测得的批处理服务指标。

• 按音频片段长度划分的延迟 — 不使用草稿模型时：音频不超过 10 秒为 0.16 秒，10–30 秒为 0.44 秒，30–60 秒为 0.88 秒，1–5 分钟为 2.78 秒。使用 DFlash 时：分别为 0.09、0.15、0.31 和 1.26 秒。

• 显存——加载草稿模型后，需要 max_num_seqs=64 才能让启动性能分析控制在 96 GB 显卡的范围内。vLLM 默认的 1,024 个并发序列会耗尽显存。这个模型需要独占一张显卡，而不是共用一张显卡的一部分。

• 对比参考——Artificial Analysis 榜单上最便宜的专有方案，价格为每 1,000 分钟音频 1.67 至 5.00 美元。以每秒处理 1,039 秒音频计算，单张卡大约在一分钟实际时间内就能处理完 1,000 分钟，因此面对每 1,000 分钟 5.00 美元的 API，在高用量下很快就能达到盈亏平衡点——而如果你的用量只是每周几个小时，那这个平衡点永远不会到来。

发布帖未展开谈及的三个缺口

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.

还有两个较小的项目应列入同一份清单。技术报告被链接标注为“即将推出”，因此训练数据、卡片所示内容之外的评估协议，以及失败分析都仍然缺失。而且，原生 vLLM 支持目前还是一个插件；卡片上称 Salesforce 计划将其上游化，这意味着你现在采用的集成方式可能需要更改。

当这无论如何都是正确的模型时

准确率画像所指向的是某一类特定买家。实体密集的英文音频——账号、电子邮件地址、药品名称、股票代码——正是 2.28% 的 AA-WER 与 Contextual Earnings-22 结果相结合真正见效的场景。一条已经掌握通话词汇、并能将其作为提示列表交给模型的流水线，可以获得可量化的提升；而通用 API 若没有同样的偏置支持，则无法达到这一水平。

数据驻留是第二种情况。Apache 2.0 权重部署在你自己的硬件上，意味着音频永远不会离开这栋楼，而对于受监管行业里的呼叫中心录音来说，这往往才是决定性的约束条件，而不是可有可无的加分项。当工作负载是对录音通话进行夜间批量转写时，30 分钟的限制和缺乏流式处理是可以接受的代价。

第三项是带有统一风格的听写。对逐字输出与整理后输出、数字格式以及填充词移除的指令控制，是相对于 Whisper 衍生流程的真正差异化优势；在后者中，提示词只是文本前缀，而不是模型被训练去遵循的指令。

对于要把它接入更大系统的人来说，有一点很实用：转写文本通常会是另一个环节的输入——摘要器、问答代理、工单分类器。而第二跳正是路由器发挥作用的地方。OrcaRouter 把 200+ 文本、图像和视频模型放在一个密钥之后，并按 0% 加价透传各供应商的标价，因此读取 SOV-Transcribe-1 输出的模型可以随时更换或故障转移，而无需再签一份合同。它本身并不托管 SOV-Transcribe-1；语音模型运行在你的 GPU 上，而路由从文本开始的地方才开始。

什么仍然未被证实

三件事将决定这个模型六个月后是否还能像发布周时一样出色。第一是独立复现实体和口音指标：VoiceCodeBench 是私有的，而 AppTek 只是一家厂商的语料库，因此最具商业价值的那些说法，恰恰是外部证据最少的。第二是在冗长、杂乱、多说话人的音频上的稳健性，而 4.06% 的 Earnings22 数字是唯一的公开信号——真实，但范围有限。第三是推理服务方案是否会变得更简单。锁定在单一版本的 vLLM 插件、53 GB 的下载包以及 64 序列的上限，都是上游支持和量化构建可以消除的摩擦。

目前，诚实的总结是：Salesforce 发布了目前可用的最准确的开源语音识别器，并且对这项取舍的具体条件异常透明：七种语言、三十分钟、不支持流式处理、单块 GPU。这个取舍是否适合你，取决于你的音频，而不是排行榜。