Salesforce выпустила SOV-Transcribe-1 для распознавания речи
12 ноября 2026 года команда Salesforce Sovereign Intelligence опубликовала SOV-Transcribe-1 - модель распознавания речи с открытыми весами по лицензии Apache 2.0. Она предназначена для несинхронной транскрибации и, по описанию команды, рассчитана на точную передачу имен, адресов электронной почты, чисел и форматирования, а не только общего смысла фразы. Salesforce сообщает о 4 миллиардах активных и 26 миллиардах общих параметров и приводит собственные результаты нескольких бенчмарков. Эти показатели опубликованы разработчиком и не заменяют проверку на аудио организации. Практический интерес модели - возможность встроить транскрибацию в управляемый компанией голосовой workflow.

Что изменилось
Модель ориентирована на несинхронную транскрибацию
SOV-Transcribe-1 предназначена для автоматического распознавания речи в пакетном или последовательно обрабатываемом аудио, а не для диалога с минимальной задержкой в реальном времени. Разработчики могут использовать ее в заметках, голосовом вводе, транскриптах звонков и голосовых агентах, где ошибочная цифра или символ меняет следующий шаг. Команда сообщает 4 млрд активных и 26 млрд общих параметров и публикует веса на Hugging Face. Лицензия Apache 2.0 допускает широкий спектр вариантов использования при соблюдении условий лицензии, но сама по себе не означает, что модель будет проста в эксплуатации на любом устройстве.
Формат расшифровки можно задавать инструкцией
По описанию Salesforce, модель по умолчанию стремится к дословной транскрибации, но принимает инструкции о формате: записывать числа цифрами, убирать слова-паразиты или менять регистр и оформление. Это позволяет использовать одну модель для разных выходов, например для verbatim-протокола и очищенного черновика сообщения. Изменение стиля может убрать слова или детали, важные для юридически значимой записи, поэтому требования необходимо задавать явно. Команда также заявляет context biasing: список подсказок помогает с редкими именами, продуктами и терминами. Подсказки должны соответствовать конкретной записи, иначе длинный список нерелевантных названий может смещать распознавание.
Отдельное внимание уделено критическим сущностям
Средний word error rate не показывает, ошиблась ли система в слове, которое определяет адрес электронной почты, номер заказа, URL или команду. В публикации Salesforce приводит результаты VoiceCodeBench, где оценивается доля записей с полностью верными целевыми сущностями и точность извлечения этих сущностей. Компания указывает 76,3% записей с полным совпадением целевых полей и 93,4% восстановленных сущностей. Также она сообщает 2,28% WER на оценке Artificial Analysis. Рейтинг и цифры являются снимком, приведенным разработчиком на 12 ноября; независимая команда должна проверить набор данных, язык, шум и используемые параметры до выбора системы.
Разработчик приводит результаты на акцентах и сложном аудио
Salesforce сообщает среднюю ошибку 8,21% на звонках с четырнадцатью вариантами английского и 25,69% WER на реальном аудио звонков о финансовых результатах из HALAS. На этих наборах модель сравнивалась с несколькими открытыми системами распознавания речи. Цифры показывают разные стороны качества, но относятся к конкретным тестам и не описывают все языки, микрофоны, длины записи или отраслевые условия. Компания также публикует оценки для форматирования и подсказок. При внедрении нужно повторить проверку на локальных голосах и терминологии, а ошибки имен и чисел анализировать отдельно от обычных слов.
Открытые веса дают контроль над контуром, но не гарантируют качество
Публикация весов позволяет команде развернуть модель в собственном окружении и спроектировать хранение аудио и расшифровок самостоятельно. Это может быть полезно там, где запись не должна проходить через внешний API. Однако локальный запуск требует вычислительной инфраструктуры, контроля доступа, обновления и процедур удаления исходного аудио. Для звонков, медицинских или финансовых разговоров дополнительно важны согласие, цель обработки и срок хранения. На момент анонса Salesforce пишет, что технический отчет еще готовится. До появления воспроизводимой документации сравнения и собственные результаты команды следует маркировать как заявления разработчика, а не как независимое испытание. В публикации говорится о поддержке нескольких языков, но подробный перечень в анонсе не приводится. Русскоязычные звонки, смешанная речь и локальные имена поэтому требуют отдельной проверки до закупки или интеграции. Также нужно определить, как оператор будет исправлять ошибочные сущности и хранить связь между аудиофрагментом и итоговой записью.
Что это дает пользователю
Открытые веса по Apache 2.0 позволяют рассмотреть вариант собственного развертывания.
Стиль транскрипта и подсказки по терминам можно задавать явно.
Оценка ключевых сущностей помогает проверить ошибки, которые обычный WER может скрыть.
Что нужно учитывать
Все рейтинги и бенчмарки в анонсе приведены разработчиком.
Модель рассчитана на несинхронное распознавание речи, а не обязательно на минимальную задержку.
Командам нужно проверить качество на своих языках, записи и политике обработки аудио.
Коротко
SOV-Transcribe-1 расширяет выбор открытых систем для транскрибации с контролем над развертыванием. Для рабочих голосовых сценариев критичны отдельные тесты имен, номеров, акцентов и инструкций по формату.