2026-11-12,Salesforce Sovereign Intelligence发布SOV-Transcribe-1,一款面向非流式自动语音识别的开放权重模型。官方给出的规模为260亿总参数、40亿激活参数,权重已在Hugging Face以Apache-2.0许可提供,适合需要在自有基础设施处理语音的团队评估。
模型强调实体恢复、口音和噪声鲁棒性、格式指令与上下文偏置。例如用户可以要求数字写法、保留或删除语气词,或提供专业词汇提示。它面向批量转写、呼叫中心、听写和语音Agent,不是流式低延迟ASR;Hugging Face页面当前也没有托管Inference Provider。
独立评测提供了重要锚点。Artificial Analysis的非流式语音榜给出约2.3%的AA-WER,并把它列为开放权重模型第一、总榜第七。官方文章引用的VoiceCodeBench则是第三方私有榜,任务成功率76.3%、实体恢复率93.4%,方法和数据不可按公开基准同等复现。
Salesforce还公布14种英语口音、真实财报电话噪声和格式偏好等测试结果。这些数字有助于理解目标场景,但主要由发布团队执行。模型卡中的单卡吞吐与30秒音频延迟使用RTX PRO 6000 96GB、BF16和特定开发版vLLM,不能直接外推到消费级GPU或不同批量设置。
“开放权重”也不自动等于完整开源研究。权重许可清楚,但技术报告仍标注即将发布,训练数据、训练配方和更完整的风险评估尚不足。语音系统还涉及隐私、口音公平性、敏感实体误识别和下游工具误调用,部署方需要单独建立治理措施。
可行动的评估方法是用本机构的口音、噪声、实体和合规数据做盲测,同时比较显存、批处理、实时系数和总成本。对涉及账户、药品或代码符号的工作流,应把关键实体正确率与人工复核纳入验收,而不是只看平均WER。
量仔观察
SOV-Transcribe-1对希望本地部署语音Agent和呼叫中心转写的团队最有价值,权重、许可与独立AA-WER属于较强证据;私有榜和厂商吞吐仍有局限。读者可立即下载做场景化评估,但不宜跳过隐私和人工复核;下一观察点是技术报告、更多语言独立测试以及稳定推理框架支持。
