Salesforce 开源语音识别模型 SOV-Transcribe-1：Artificial Analysis 词错误率 2.3%，开源第一、总榜第 7；26.6B 总参数仅 4.6B 激活，Apache 2.0 可自托管
新加坡时间 11 月 13 日 00:30，Artificial Analysis（@ArtificialAnlys）发帖称，Salesforce 新发布的 SOV-Transcribe-1 成为开源权重语音转文字模型第一名：在 AA-WER 指数上词错误率 2.3%，在包括闭源模型在内的 44 个模型中排第 7。它比紧随其后的开源模型 Mistral Voxtral Small 和英伟达 Nemotron 3.5 Transcribe（均为 2.8%）低 0.5 个百分点。模型由 Salesforce 主权 AI（Missionforce Sovereign AI）团队开发，总参数 26.6B、激活参数 4.6B，结构是 Whisper large-v3 音频编码器加 Gemma 4 26B A4B MoE 解码器，权重以 Apache 2.0 许可发布在 Hugging Face。它是非流式模型，适合整段录音转写，不适合实时字幕。
核心要点速览
- AA-WER 2.3%：开源权重第 1、44 个模型中总榜第 7；Voxtral Small 与 Nemotron 3.5 Transcribe 均为 2.8%
- 分数据集：Earnings22 财报电话 4.1%（Voxtral Small 4.8%），VoxPopuli 1.5%（对手 1.8%），AA-AgentTalk 语音客服对话 1.8%，与 Nemotron 持平
- 26.6B 总参数 / 4.6B 激活；Whisper large-v3 编码器 + 投影层 + Gemma 4 26B A4B MoE；BF16，单段音频实测最长 30 分钟，支持英法德西意葡荷 7 种语言
- 官方称 VoiceCodeBench（电话号码、邮箱等实体）任务成功率 76.3%、实体召回 93.4%，23 个系统中排第 2；AppTek 14 种英语口音平均 WER 8.21%，其中 8 种口音最低（含新加坡英语）
- Apache 2.0；可用 vLLM 插件（vLLM 0.32.0）或 Transformers 部署；官方实测单张 RTX PRO 6000 Blackwell 每秒可转写 1,039 秒音频（配合 DFlash 草稿模型）
关联模型 / 智能体 / 厂商:
⚡ SOV-Transcribe-1⚡ Voxtral Small⚡ Nemotron 3.5 Transcribe⚡ Gemma 4⚡ Whisper large-v3🌐 Salesforce🌐 Artificial Analysis🌐 Mistral AI🌐 NVIDIA🌐 Google
