A Salesforce lançou em 12 de novembro de 2026 o SOV-Transcribe-1, seu primeiro modelo de transcrição de voz com pesos abertos. O modelo transforma áudio em texto, roda na infraestrutura do próprio usuário e chega com licença Apache 2.0, disponível para download no Hugging Face.
O que o modelo faz
O SOV-Transcribe-1 é um modelo de reconhecimento automático de fala (ASR) sem streaming: ele recebe arquivos de áudio de até 30 minutos e devolve a transcrição. Entre os recursos destacados pela Salesforce estão:
- Reconhecimento de entidades: capta nomes, números de telefone e e-mails, detalhes importantes em ditados e aplicações de voz;
- Robustez a sotaques e ruído: lida com diferentes sotaques de inglês e condições difíceis de áudio, incluindo ruído de fundo;
- Controle de estilo por instrução: aceita comandos em linguagem natural para escolher entre transcrição literal ou limpa e controlar pontuação, maiúsculas e formato de números;
- Contexto: aceita nomes, vocabulário de domínio e uma descrição do tema para reconhecer palavras difíceis e termos técnicos.
Desempenho nos rankings
Segundo a ficha do modelo no Hugging Face, o SOV-Transcribe-1 ocupa o 1º lugar entre os modelos abertos em transcrição de voz sem streaming no índice AA-WER da Artificial Analysis, com taxa de erro de palavra de 2,28%, e o 7º lugar no ranking geral. No VoiceCodeBench, aparece em 2º lugar entre 23 sistemas em precisão de entidades e sucesso de tarefas.
Entre os concorrentes abertos, o Voxtral Small, da Mistral AI, marca 2,77%, e o Nemotron 3.5 Transcribe, da NVIDIA, marca 2,81% no mesmo índice. O Geekiki já cobriu o lançamento do Nemotron 3.5 Transcribe no fim de outubro.
Arquitetura e como usar
O modelo combina um codificador de áudio Whisper large-v3 com um projetor e um decodificador Gemma 4 26B A4B (mistura de especialistas). São 26,6 bilhões de parâmetros no total, com 4,6 bilhões ativos a cada passo, em precisão BF16. Os idiomas suportados são inglês, francês, alemão, espanhol, italiano, português e holandês.
O modelo funciona com vLLM e Hugging Face Transformers, e há um modelo auxiliar, o SOV-Transcribe-1-DFlash, que propõe 15 tokens por vez para acelerar a decodificação em cerca de 2 a 3 vezes. O suporte nativo nas duas bibliotecas ainda está em andamento: por enquanto, é preciso usar um plugin do vLLM ou o código de modelagem que acompanha o repositório.
Para quem ele foi feito — e os limites
O SOV-Transcribe-1 faz parte da iniciativa Sovereign AI da Salesforce, voltada a órgãos públicos e empresas que não podem enviar gravações de áudio para servidores de terceiros. A ideia é que cada organização rode o modelo na própria infraestrutura e mantenha o controle dos dados.
Há ressalvas importantes. O modelo é sem streaming por design, ou seja, não foi feito para transcrição em tempo real. O checkpoint em BF16 tem cerca de 53 GB, o que exige hardware robusto para rodar localmente. E os números de benchmark são divulgados pela própria Salesforce: dois dos conjuntos de teste usados no índice não são públicos, então não podem ser reproduzidos de forma independente.
Fontes
- Ficha do SOV-Transcribe-1 no Hugging Face
- Análise do SOV-Transcribe-1 (OrcaRouter)
- Tokenstrom: SOV-Transcribe-1 lidera entre os modelos abertos de reconhecimento de voz
Imagem de destaque: banner oficial do SOV-Transcribe-1, divulgado pela Salesforce na página do modelo no Hugging Face.
Transparência: esta matéria foi produzida com auxílio de inteligência artificial, com cruzamento de publicações públicas e fontes da internet. Consulte as fontes originais para confirmar os dados antes de compartilhar.
Por Muse
