AREX Feed Article
Salesforce 开源语音转文本模型 SOV-Transcribe-1 上线 Hugging Face，Artificial Analysis 实测 2.3% 列开放权重第一
11 月 12 日（UTC），Salesforce Sovereign AI 团队的 Tanay Dixit ，团队开发的语音转文本模型 SOV-Transcribe-1 已，权重以 Apache 2.0 许可证开放下载。他称这是 Salesforce 的第一个语音转文本模型，并称其在 Artificial Analysis（下称 AA）的 AA-WER Index、BeSimple 的 VoiceCodeBench 及其他若干基准上均列开放权重模型第一，还预告「这只是开始，更多消息很快到来」。
同一天，这家独立评测机构发布了实测结果。16:30（UTC），AA 的宣布：SOV-Transcribe-1 以 2.3% 的 AA-WER Index（词错误率指数）成为新的开放权重（open-weights，权重可公开下载的模型）第一，激活参数 4.6B，在包含专有模型在内的 44 款模型总榜中列第 7。实测针对非流式（non-streaming）语音转文本，即整段音频一次性转出完整文本、而非边说边出结果的场景；按 AA 的口径，2.3% 意味着约每 1,000 个词里有 23 个被转错。16:43，Salesforce 的上线；Tanay Dixit 的宣布帖在 17:12 发出。
在 AA 榜上领先开放权重 0.5 个百分点，距总榜第一还差 0.6
AA-WER Index 统计转错的词占全部词的比例（WER，word error rate），数值越低越好。现行版本 v2 由三个数据集构成：AA-AgentTalk 占 50%，VoxPopuli-Cleaned-AA 与 Earnings-22-Cleaned-AA 各占 25%——这一构成写在中。
AA 在同一条帖子下：SOV-Transcribe-1 比开放权重阵营此前的领跑者高出 0.5 个百分点——Mistral 的 Voxtral Small 和 NVIDIA 的 Nemotron 3.5 Transcribe 都是 2.8%。在 上，总榜第一是 Alibaba Cloud 的 Fun-Realtime-ASR-preview，为 1.7%；Microsoft AI 的 MAI-Transcribe-2 为 2.0%；专有阵营的 Grok Voice Transcribe 2.0 则与 SOV-Transcribe-1 同停在 2.3%。它距总榜第一还差 0.6 个百分点，但 2.3% 这一档已与部分专有模型持平；从 AA 的图表看，开放权重组的其余模型大多落在 2.8%～4.6%。
发布方的对比表给出了更精确的数字：AA-WER Index 2.28%，Voxtral Small 为 2.77%，Nemotron 3.5 Transcribe 为 2.81%。
Whisper 编码器接 Gemma 4 MoE：总参数 26.6B
显示：SOV-Transcribe-1 总参数 26.6B（含音频编码器）、激活 4.6B，由 Whisper large-v3 音频编码器、音频投影层和 Gemma 4 26B A4B 混合专家（MoE，mixture-of-experts）组成，以 BF16 精度运行，MoE 路由器用 FP32。它面向自动语音识别（ASR）的非流式任务，单段音频最长 30 分钟（已测试），支持英语、法语、德语、西班牙语、意大利语、葡萄牙语、荷兰语 7 种语言，输入为 16 kHz 音频加可选的文本指令与上下文。
部署层面，仓库提供 vLLM 0.32.0 插件和 Transformers 建模代码。配套草稿模型 SOV-Transcribe-1-DFlash（放在单独的仓库中）用于投机解码（speculative decoding）：一次提出 15 个 token 供主模型验证，官方称单请求场景下解码提速约 2～3 倍（10 秒以内的短片段收益更小），精度差异落在无草稿解码的运行间波动范围内。模型卡给出的服务端实测是：在原生 vLLM 支持下，单张 RTX PRO 6000 Blackwell Server Edition 每秒最多转写 1,039 秒音频（BF16、带 DFlash 草稿），30 秒录音 0.22 秒出稿，测量基于 2026 年 11 月的一个 vLLM 开发构建；以插件方案在单卡上逐条转写时，1～5 分钟的音频从无草稿的 2.78 秒降到带草稿的 1.26 秒。带草稿运行还需把并发序列上限设为 64——vLLM 默认的 1,024 并发会耗尽内存——启动内存剖析才能控制在 96 GB 显存内。发布方把模型定位为主权（sovereign）场景的构件：企业和开发者可在自有基础设施上部署、适配，音频数据与转写行为由自己掌控。
发布方给出的细分成绩：实体、口音、噪声与风格指令
以下细分数字均出自发布博客与模型卡。博客首先引用 BeSimple 的 VoiceCodeBench：这个基准只看关键实体——电话号码、邮箱、URL、代码符号——是否转对，其中任务成功率（TSR，Task Success Rate）要求片段内全部目标实体都对才算通过。SOV-Transcribe-1 通过 76.33% 的片段、恢复 93.39% 的实体，在 23 个系统中列第 2、开放权重中列第 1；对照的 Nemotron 3.5 Transcribe 为 62.67% 和 89.34%。
口音方面，在覆盖 14 种英语口音的 AppTek 呼叫中心对话长音频基准上，平均词错误率为 8.21%，并在澳大利亚、英国、苏格兰、威尔士、爱尔兰、印度、墨西哥、新加坡 8 种口音上为最低。噪声与幻觉风险的检验用的是 HALAS——一个人工标注、收录模型最容易产生幻觉的真实财报电话音频的基准——SOV-Transcribe-1 的词错误率为 25.69%，低于发布方列出的全部开放权重对照：Alibaba 的 Qwen3-ASR 1.7B（26.01%）、Voxtral Small 24B（27.35%）、Nemotron 3.5 Transcribe（31.59%）、IBM 的 Granite Speech 5.0 2B（34.51%）。
风格与上下文两项测的是「听指令」的能力。Preference-ASR 统计转写是否遵循要求的数字、实体、口语填充词与大小写格式：带指令时 SOV-Transcribe-1 的偏好感知词错误率（preference-aware WER）为 5.05%，仅次于 Granite Speech 5.0 2B 的 4.70%，好于 Qwen3-ASR 1.7B（5.96%）和 Nemotron 3.5 Transcribe（6.16%）。Contextual Earnings-22 用围绕人名、公司名或产品名构建的 15 秒财报电话片段测试关键词偏置（context biasing）：只给片段内出现的关键词时，衡量这些词转得多准的关键词 F1 从 71.9 提到 96.8；给整小时的全量关键词表（多数为干扰项）时仍有 94.0，为发布方所列开放权重中最高。
同一张表里的短板：多语言和无上下文转录
发布方的表格里同样有对 SOV-Transcribe-1 不利的行。Open ASR 多语言组的公开集均值为 4.88%，高于 Nemotron 3.5 Transcribe 的 3.87% 和 Voxtral Small 的 3.39%，德、法、意、西、葡、荷六种语言逐项落后于这两款对照（如德语 4.05% 对 2.79% 与 2.58%，荷兰语 7.67% 对 5.88% 与 4.04%）。ContextASR-Bench 在不给上下文时词错误率为 7.03%，明显高于 Nemotron 的 3.34% 和 Qwen3-ASR 1.7B 的 2.92%；给到细粒度上下文后降到 3.67%，仍不及 Nemotron（1.71%）和 Qwen3-ASR（1.53%）。英文短形式组里，AMI（8.15% 对 Nemotron 的 7.78%）和 SPGISpeech（2.41% 对 Voxtral Small 的 1.84%）两项也落在对手之后——不过该组公开集均值 5.44% 仍是表里五款模型中最低的。
哪些是独立实测，哪些是发布方口径
AA-WER 排名有 AA 的独立实测背书；其余关键定位目前是发布方口径。「Salesforce 第一个语音转文本模型」的说法来自团队帖，发布博客的原文措辞是「第一个开放权重语音增强语言模型」；VoiceCodeBench、AppTek、HALAS、Preference-ASR 等细分数字也都出自发布博客与模型卡。本次能核验到的独立实测只覆盖 AA-WER 一项——AA 的公开帖只提到这一项。
AA 帖下的评论区把反应分成两路。一路是意外：用户 lewingtonpitsos 「没想到 Salesforce 会出现在这里」。另一路直接算起了部署成本：用户 Chahat Sharma 4.6B 只是激活数，26.6B 总参数仍要全部驻留显存，并问 AA 是否在比数据中心级 GPU 更小的设备上测过。团队方面的核心贡献者名单以 Missionforce Sovereign AI 署名，共 8 人：Tanay Dixit、Daniel Lee、Ansh Moraje、Aman Gupta、Young Mo Kang、Alexey Dyakov、Kah Mun Chia、John Emmons。名单中的 在 AA 帖下致谢，并附上了 Hugging Face 试用链接。
发布材料里还有两件事没有落地：模型卡注明 vLLM 与 Transformers 的原生支持正在向上游提交，发布博客把技术报告标注为「即将推出」（coming soon）。