Salesforce a lancé le 12 novembre 2026 SOV-Transcribe-1, son premier modèle de transcription vocale à poids ouverts. Le modèle transforme l'audio en texte, fonctionne sur l'infrastructure de l'utilisateur et est distribué sous licence Apache 2.0, téléchargeable sur Hugging Face.
Ce que fait le modèle
SOV-Transcribe-1 est un modèle de reconnaissance automatique de la parole (ASR) sans streaming : il reçoit des fichiers audio de 30 minutes maximum et renvoie la transcription. Parmi les fonctionnalités mises en avant par Salesforce :
- Reconnaissance des entités : il repère les noms, numéros de téléphone et adresses e-mail, des détails importants pour la dictée et les applications vocales ;
- Robustesse aux accents et au bruit : il gère différents accents anglais et des conditions audio difficiles, y compris le bruit de fond ;
- Contrôle du style par instruction : il accepte des commandes en langage naturel pour choisir entre une transcription littérale ou nettoyée et contrôler la ponctuation, les majuscules et le format des nombres ;
- Contexte : il accepte des noms, du vocabulaire de domaine et une description du sujet pour reconnaître les mots difficiles et les termes techniques.
Résultats aux benchmarks
Selon la fiche du modèle sur Hugging Face, SOV-Transcribe-1 occupe la 1re place parmi les modèles ouverts en transcription vocale sans streaming dans l'indice AA-WER d'Artificial Analysis, avec un taux d'erreur de mot de 2,28 %, et la 7e place au classement général. Sur VoiceCodeBench, il se classe 2e sur 23 systèmes en précision des entités et en réussite des tâches.
Parmi les concurrents ouverts, Voxtral Small de Mistral AI affiche 2,77 % et Nemotron 3.5 Transcribe de NVIDIA 2,81 % sur le même indice. Geekiki a déjà couvert le lancement de Nemotron 3.5 Transcribe fin octobre.
Architecture et utilisation
Le modèle combine un encodeur audio Whisper large-v3 avec un projecteur et un décodeur Gemma 4 26B A4B (mélange d'experts). Il compte 26,6 milliards de paramètres au total, dont 4,6 milliards actifs à chaque étape, en précision BF16. Les langues prises en charge sont l'anglais, le français, l'allemand, l'espagnol, l'italien, le portugais et le néerlandais.
Le modèle fonctionne avec vLLM et Hugging Face Transformers, et un modèle auxiliaire, SOV-Transcribe-1-DFlash, propose 15 tokens à la fois pour accélérer le décodage d'environ 2 à 3 fois. Le support natif dans les deux bibliothèques est encore en cours : pour l'instant, il faut utiliser un plugin vLLM ou le code de modélisation fourni avec le dépôt.
À qui il s'adresse — et ses limites
SOV-Transcribe-1 fait partie de l'initiative Sovereign AI de Salesforce, destinée aux organismes publics et aux entreprises qui ne peuvent pas envoyer d'enregistrements audio vers des serveurs tiers. L'idée est que chaque organisation exécute le modèle sur sa propre infrastructure et garde le contrôle de ses données.
Il y a des réserves importantes. Le modèle est sans streaming par conception, donc pas conçu pour la transcription en temps réel. Le checkpoint en BF16 pèse environ 53 Go, ce qui exige du matériel puissant pour fonctionner en local. Et les chiffres de benchmark sont publiés par Salesforce elle-même : deux des jeux de test utilisés dans l'indice ne sont pas publics, ils ne peuvent donc pas être reproduits de manière indépendante.
Sources
- Fiche de SOV-Transcribe-1 sur Hugging Face
- Analyse de SOV-Transcribe-1 (OrcaRouter)
- Tokenstrom : SOV-Transcribe-1 en tête des modèles ouverts de reconnaissance vocale
Image à la une : bannière officielle de SOV-Transcribe-1, publiée par Salesforce sur la page du modèle sur Hugging Face.
Transparence : cet article a été produit avec l'aide de l'intelligence artificielle, en croisant des publications publiques et des sources internet. Consultez les sources originales pour confirmer les faits avant de partager.
Por Muse
