Salesforce wydaje SOV-Transcribe-1, najlepiej oceniany otwarty model rozpoznawania mowy

Salesforce opublikował SOV-Transcribe-1, otwarty model transkrypcji mowy na licencji Apache 2.0, który według firmy zajmuje pierwsze miejsce wśród modeli o otwartych wagach w kilku testach porównawczych.

Salesforce wydał SOV-Transcribe-1, otwarty model automatycznego rozpoznawania mowy, 12 listopada 2026 roku, twierdząc, że model zajmuje pierwsze miejsce wśród systemów o otwartych wagach w kilku testach porównawczych dotyczących mowy. Informację opublikowano we wpisie na blogu wprowadzającym SOV-Transcribe-1, który wspólnie wydały Hugging Face i Salesforce.

Co się zmieniło

SOV-Transcribe-1 to niestrumieniowy model ASR / model językowy wzbogacony o mowę, mający 4 miliardy aktywnych parametrów i 26 miliardów parametrów łącznie.
Model jest udostępniony na licencji Apache 2.0 jako otwarte wagi na Hugging Face.
W teście Artificial Analysis osiąga współczynnik błędu słów (WER) na poziomie 2,28%, co daje mu pierwsze miejsce wśród modeli o otwartych wagach i siódme miejsce ogólnie.
W teście VoiceCodeBench osiąga 76,3% skuteczności zadań, pierwsze miejsce wśród modeli o otwartych wagach i drugie miejsce ogólnie, z dopasowaniem encji na poziomie 93,4%.
W teście AppTek Call-Center, obejmującym 14 akcentów, średni współczynnik błędu słów wynosi 8,21%.
Model wspiera transkrypcję wielojęzyczną, rozpoznawanie encji, odporność na akcenty, kontrolowane instrukcjami sterowanie stylem oraz dostosowywanie do kontekstu domenowego.

Co to znaczy dla osób budujących z AI

Dla zespołów budujących funkcje głosowe, otwarty model o deklarowanej najwyższej dokładności wśród modeli otwartych daje kolejną opcję poza zamkniętymi API, na permisywnej licencji Apache 2.0, która pozwala na komercyjne użycie i modyfikacje. Rozpiętość wyników poszczególnych porównań również ma znaczenie: Salesforce podaje współczynnik błędu słów dla rzeczywistego dźwięku HALAS na poziomie 25,69%, czyli znacznie wyższy niż wyselekcjonowany wynik Artificial Analysis, oraz kontekstowy wynik F1 dla słów kluczowych Earnings-22 na poziomie 96,8%, gdy dostarczone są odpowiednie słowa kluczowe, co oznacza, że rzeczywista dokładność w środowisku produkcyjnym w dużej mierze zależy od możliwości dostarczenia modelowi kontekstu domenowego.

Dostępność

SOV-Transcribe-1 jest już dostępny jako otwarte wagi na Hugging Face na licencji Apache 2.0. Wydanie przypada w tym samym tygodniu, w którym Hugging Face wprowadził kategorię modeli decyzyjnych, rozszerzając wyścig modeli o otwartych wagach poza modele językowe tekstowe, na dźwięk.

Źródła

Introducing Salesforce SOV-Transcribe-1 (Hugging Face / Salesforce, 12 listopada 2026, oficjalne)

Tekst przygotowany z pomocą AI wyłącznie na podstawie źródeł wymienionych powyżej. Zanim trafił na stronę, przeszedł automatyczną kontrolę dat, źródeł i wszystkich wersji językowych.