AI и дата-центры
Salesforce выпустила SOV-Transcribe-1: открытая модель распознавания речи обогнала конкурентов
Публикация:
Salesforce открыла веса SOV-Transcribe-1 под Apache 2.0: модель распознаёт речь с ошибкой 2.28% и лучше других открытых моделей различает имена, адреса и номера.

12 ноября Salesforce выпустила SOV-Transcribe-1, первую открытую речевую модель компании. Это языковая модель с речевым входом: 4 млрд активных параметров при 26 млрд всего. Веса лежат на Hugging Face под лицензией Apache 2.0, а модель рассчитана на нестриминговое распознавание речи.
По рейтингу Artificial Analysis модель первая среди открытых по ошибке распознавания: 2.28% против 2.81% у NVIDIA Nemotron 3.5 Transcribe и 2.77% у Mistral Voxtral Small. В общем зачёте она седьмая. Отдельно Salesforce проверила модель на голосах с акцентами: на 14 вариантах английского средняя ошибка 8.21%, а на 8 из 14 акцентов она самая низкая.
Сильная сторона модели, работа с сущностями: номера телефонов, адреса почты и кодовые обозначения. На бенчмарке VoiceCodeBench она проходит 76.3% записей и восстанавливает 93.4% сущностей, занимая второе место из 23 систем. Ещё модель умеет подстраивать стиль транскрипта под инструкцию: дословно со всеми словами-паразитами или в чистом виде, а ключевые слова из контекста поднимают точность имён с 71.9 до 96.8 по метрике F1.
Есть и ограничение: языков всего семь, все европейские, русского среди них нет. А все цифры выше, из замеров самой Salesforce и её партнёров, независимой проверки пока не публиковали. Технический отчёт компания обещает позже, так что перепроверить методику сейчас нельзя.