Salesforce lanzó el 12 de noviembre de 2026 SOV-Transcribe-1, su primer modelo de transcripción de voz con pesos abiertos. El modelo convierte audio en texto, se ejecuta en la infraestructura del propio usuario y llega con licencia Apache 2.0, disponible para descargar en Hugging Face.
Qué hace el modelo
SOV-Transcribe-1 es un modelo de reconocimiento automático del habla (ASR) sin streaming: recibe archivos de audio de hasta 30 minutos y devuelve la transcripción. Entre las funciones destacadas por Salesforce están:
- Reconocimiento de entidades: capta nombres, números de teléfono y correos electrónicos, detalles importantes en dictados y aplicaciones de voz;
- Robustez ante acentos y ruido: maneja distintos acentos del inglés y condiciones de audio difíciles, incluido el ruido de fondo;
- Control de estilo por instrucción: acepta comandos en lenguaje natural para elegir entre transcripción literal o limpia y controlar puntuación, mayúsculas y formato de números;
- Contexto: acepta nombres, vocabulario de dominio y una descripción del tema para reconocer palabras difíciles y términos técnicos.
Rendimiento en los rankings
Según la ficha del modelo en Hugging Face, SOV-Transcribe-1 ocupa el 1.er lugar entre los modelos abiertos en transcripción de voz sin streaming en el índice AA-WER de Artificial Analysis, con una tasa de error de palabra del 2,28 %, y el 7.º lugar en la clasificación general. En VoiceCodeBench, queda en 2.º lugar entre 23 sistemas en precisión de entidades y éxito de tareas.
Entre los competidores abiertos, Voxtral Small, de Mistral AI, marca 2,77 %, y Nemotron 3.5 Transcribe, de NVIDIA, marca 2,81 % en el mismo índice. Geekiki ya cubrió el lanzamiento de Nemotron 3.5 Transcribe a finales de octubre.
Arquitectura y cómo usarlo
El modelo combina un codificador de audio Whisper large-v3 con un proyector y un decodificador Gemma 4 26B A4B (mezcla de expertos). Tiene 26.600 millones de parámetros en total, con 4.600 millones activos en cada paso, en precisión BF16. Los idiomas admitidos son inglés, francés, alemán, español, italiano, portugués y neerlandés.
El modelo funciona con vLLM y Hugging Face Transformers, y hay un modelo auxiliar, SOV-Transcribe-1-DFlash, que propone 15 tokens a la vez para acelerar la decodificación entre 2 y 3 veces. El soporte nativo en ambas bibliotecas aún está en curso: por ahora hay que usar un plugin de vLLM o el código de modelado que acompaña al repositorio.
Para quién es — y sus límites
SOV-Transcribe-1 forma parte de la iniciativa Sovereign AI de Salesforce, dirigida a organismos públicos y empresas que no pueden enviar grabaciones de audio a servidores de terceros. La idea es que cada organización ejecute el modelo en su propia infraestructura y mantenga el control de los datos.
Hay advertencias importantes. El modelo es sin streaming por diseño, es decir, no fue creado para transcripción en tiempo real. El checkpoint en BF16 tiene unos 53 GB, lo que exige hardware potente para ejecutarlo localmente. Y las cifras de benchmark las publica la propia Salesforce: dos de los conjuntos de prueba usados en el índice no son públicos, por lo que no pueden reproducirse de forma independiente.
Fuentes
- Ficha de SOV-Transcribe-1 en Hugging Face
- Análisis de SOV-Transcribe-1 (OrcaRouter)
- Tokenstrom: SOV-Transcribe-1 lidera entre los modelos abiertos de reconocimiento de voz
Imagen destacada: banner oficial de SOV-Transcribe-1, publicado por Salesforce en la página del modelo en Hugging Face.
Transparencia: este artículo fue producido con ayuda de inteligencia artificial, contrastado con publicaciones públicas y fuentes de internet. Consulta las fuentes originales para confirmar los datos antes de compartir.
Por Muse
