Salesforce 开源语音识别模型 SOV-Transcribe-1：Artificial Analysis 词错误率 2.3%，开源第一、总榜第 7；26.6B 总参数仅 4.6B 激活，Apache 2.0 可自托管

核心背景与行业痛点

语音转文字是语音客服、会议纪要、电话质检这些场景的第一步。转写一旦出错，后面的大模型再强也会跟着错，尤其是电话号码、邮箱、账号这类关键信息，错一个字符整个任务就失败。过去效果最好的转写服务大多是闭源 API，政府、金融、医疗客户又往往不能把录音发到第三方服务器。Salesforce 这次通过旗下主权 AI 团队（Missionforce Sovereign AI）发布 SOV-Transcribe-1，主打「准确率接近一线闭源服务，同时可以完全部署在自己的机房里」。11 月 13 日凌晨，独立评测机构 Artificial Analysis 公布结果：它是目前开源权重语音转文字模型里的第一名。

架构亮点与底层机制

SOV-Transcribe-1 不是传统的专用 ASR 模型，而是「带语音输入的语言模型」：前端用 OpenAI Whisper large-v3 的音频编码器把 16kHz 音频变成特征，经过投影层接到谷歌 Gemma 4 26B A4B 混合专家（MoE）语言模型上，由语言模型直接生成转写文本。总参数 26.6B，每个 token 只激活约 4.6B（含音频编码器），权重为 BF16。因为解码器是语言模型，它可以听懂自然语言指令：用户可以指定输出逐字稿还是去掉口头禅的整理稿，控制标点、大小写和数字格式；也可以提前提供人名、专业术语或话题描述做「上下文偏置」，提高生僻词识别率。另外，官方单独发布了 DFlash 草稿模型，用于投机解码提速。需要注意，它是非流式模型，要拿到整段音频后再转写，单段实测最长 30 分钟。

权威 Benchmark 与实测跑分对比

Artificial Analysis 的 AA-WER 指数上，SOV-Transcribe-1 词错误率 2.3%（官方博客给出的精确值是 2.28%），在 44 个模型中排第 7，开源权重里排第 1。紧随其后的两个开源模型是 Mistral Voxtral Small 和英伟达 Nemotron 3.5 Transcribe，都是 2.8%。Voxtral Small 激活参数约 24B，是 SOV-Transcribe-1 的 5 倍多。分数据集看：Earnings22 财报电话 4.1%（Voxtral Small 4.8%），VoxPopuli 议会演讲 1.5%（对手 1.8%），AA-AgentTalk 语音客服对话 1.8%，与 Nemotron 持平。速度方面，AA 测得在 Salesforce 托管端点上速度系数为 60 倍，约 1 秒转写 1 分钟音频。以下数字来自 Salesforce 官方：VoiceCodeBench（考察电话号码、邮箱、网址等实体）任务成功率 76.3%、实体召回 93.4%，在 23 个系统中排第 2、开源第 1；AppTek 呼叫中心对话（14 种英语口音）平均 WER 8.21%，在其中 8 种口音上最低，包括澳洲、英国、印度和新加坡英语；HALAS 真实财报电话难例集 25.69%，低于 Qwen3-ASR 1.7B（26.01%）和 Voxtral Small（27.35%）。

开发者实战落地与开箱指南

权重在 Hugging Face 的 salesforce-sovereign-intelligence/SOV-Transcribe-1，许可证为 Apache 2.0，可以商用。目前 vLLM 和 Transformers 的原生支持还在合入上游：vLLM 需要安装仓库里 vllm_plugin 目录下的插件（会装 vLLM 0.32.0）；Transformers 要求 5.19 到 5.23 之间的版本，并开启 trust_remote_code。官方实测单张 96GB 的 RTX PRO 6000 Blackwell，配合 DFlash 草稿模型每秒最多转写 1,039 秒音频，30 秒录音 0.22 秒出结果。BF16 权重约 26.6B 参数，单卡部署建议准备 80GB 以上显存。适合场景：录音转写、会议纪要、客服质检、需要准确记下电话号码和邮箱的语音表单。不适合：需要边说边出字的实时字幕或低延迟语音助手，这类场景仍需要流式模型。