Salesforce startet SOV-Transcribe-1, offenes Sprachtranskriptionsmodell an der Spitze der offenen Rangliste

Salesforce hat am 12. November 2026 SOV-Transcribe-1 gestartet, sein erstes Open-Weight-Modell zur Sprachtranskription. Das Modell wandelt Audio in Text um, läuft auf der eigenen Infrastruktur des Nutzers und steht unter der Apache-2.0-Lizenz zum Download auf Hugging Face bereit.

Was das Modell kann

SOV-Transcribe-1 ist ein nicht-streamendes Modell zur automatischen Spracherkennung (ASR): Es nimmt Audiodateien von bis zu 30 Minuten entgegen und liefert das Transkript. Zu den von Salesforce hervorgehobenen Funktionen gehören:

  • Entitätserkennung: Es erfasst Namen, Telefonnummern und E-Mail-Adressen – Details, die bei Diktaten und Sprachanwendungen wichtig sind;
  • Robustheit gegenüber Akzenten und Geräuschen: Es kommt mit verschiedenen englischen Akzenten und schwierigen Audiobedingungen zurecht, einschließlich Hintergrundgeräuschen;
  • Stilsteuerung per Anweisung: Es akzeptiert Befehle in natürlicher Sprache, um zwischen wörtlicher oder bereinigter Transkription zu wählen und Zeichensetzung, Großschreibung und Zahlenformate zu steuern;
  • Kontext: Es akzeptiert Namen, Fachvokabular und eine kurze Themenbeschreibung, um schwierige Wörter und Fachbegriffe zu erkennen.

Benchmark-Ergebnisse

Laut Modellkarte auf Hugging Face belegt SOV-Transcribe-1 den 1. Platz unter den offenen Modellen bei nicht-streamender Sprachtranskription im AA-WER-Index von Artificial Analysis, mit einer Wortfehlerrate von 2,28 %, und den 7. Platz in der Gesamtwertung. Auf VoiceCodeBench liegt es auf dem 2. Platz von 23 Systemen bei Entitätsgenauigkeit und Aufgabenerfolg.

Unter den offenen Konkurrenten erreicht Voxtral Small von Mistral AI 2,77 % und Nemotron 3.5 Transcribe von NVIDIA 2,81 % im selben Index. Geekiki hat den Start von Nemotron 3.5 Transcribe bereits Ende Oktober behandelt.

Architektur und Nutzung

Das Modell kombiniert einen Whisper-large-v3-Audioencoder mit einem Projektor und einem Gemma-4-26B-A4B-Mixture-of-Experts-Decoder. Es hat insgesamt 26,6 Milliarden Parameter, davon 4,6 Milliarden aktiv pro Schritt, in BF16-Präzision. Unterstützte Sprachen sind Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch und Niederländisch.

Das Modell läuft mit vLLM und Hugging Face Transformers; ein Begleitmodell, SOV-Transcribe-1-DFlash, schlägt jeweils 15 Token vor und beschleunigt die Dekodierung um etwa das 2- bis 3-Fache. Die native Unterstützung in beiden Bibliotheken ist noch in Arbeit: Vorerst ist ein vLLM-Plugin oder der mitgelieferte Modellierungscode aus dem Repository nötig.

Für wen es gedacht ist – und seine Grenzen

SOV-Transcribe-1 ist Teil von Salesforces Initiative Sovereign AI, die sich an Behörden und Unternehmen richtet, die keine Audioaufnahmen an Server Dritter senden dürfen. Die Idee: Jede Organisation betreibt das Modell auf eigener Infrastruktur und behält die Kontrolle über ihre Daten.

Es gibt wichtige Vorbehalte. Das Modell ist per Design nicht-streamend, also nicht für Echtzeit-Transkription gebaut. Der BF16-Checkpoint ist etwa 53 GB groß und verlangt leistungsstarke Hardware für den lokalen Betrieb. Und die Benchmark-Zahlen stammen von Salesforce selbst: Zwei der im Index verwendeten Testsätze sind nicht öffentlich und daher nicht unabhängig reproduzierbar.

Quellen

Titelbild: offizielles SOV-Transcribe-1-Banner, veröffentlicht von Salesforce auf der Hugging-Face-Seite des Modells.

Transparenz: Dieser Artikel wurde mit Hilfe künstlicher Intelligenz erstellt und mit öffentlichen Beiträgen und Internetquellen abgeglichen. Prüfen Sie die Originalquellen, bevor Sie die Angaben weitergeben.

Por Muse