Salesforce 正式推出开放权重语音转文本模型 SOV-Transcribe-1，并且已经上传到 Hugging Face 平台，在 Artificial Analysis 的独立评测里，该模型词错误率 AA-WER 达到 2.3%，在全部开放权重非流式 ASR 模型里排名第一，整体所有模型（含闭源商用模型）排在第七位。这个模型属于 Salesforce Sovereign AI 项目，主打企业私有化部署，采用混合专家架构，总参数 266 亿，推理时只激活 46 亿参数，底层是 Whisper large-v3 音频编码器搭配 Gemma 4 26B MoE 语言模型，支持最长 30 分钟单段音频转录，适配会议录音、财报电话、客服录音这类离线音频场景，采用 Apache 2.0 许可协议，企业可以下载权重本地部署、二次微调，不用把音频数据上传第三方云端。Artificial Analysis 的评测集合由 AA-AgentTalk、VoxPopuli-Cleaned-AA、Earnings22-Cleaned-AA 三套数据集构成，SOV-Transcribe-1 在三个子集上分别拿到 1.8%、1.5%、4.1% 的词错率，对比第二名 Voxtral Small、第三名 Nemotron 3.5 Transcribe（两者都是 2.8%），准确率优势明显。
SOV-Transcribe-1 核心参数清单
- 模型名称：SOV-Transcribe-1
- 发布平台：Hugging Face
- 评测指标：AA-WER 2.3%（Artificial Analysis）
- 架构：Whisper large-v3 音频编码器 + Gemma4 26B MoE + 音频投影层
- 总参数：26.6B，激活参数：4.6B
- 支持语言：7 种语言，以英语为主
- 音频上限：单段最长 30 分钟
- 推理框架：vLLM、Hugging Face Transformers
- 开源协议：Apache 2.0
- 工作模式：非流式（离线转录，不支持实时流）
开放权重 ASR 榜单前三对比
| 模型 | 开发方 | AA-WER | 模型特点 |
|---|---|---|---|
| SOV-Transcribe-1 | Salesforce | 2.3% | MoE 架构，企业私有化，长音频转录 |
| Voxtral Small | Mistral | 2.8% | 轻量语音模型，适合通用场景 |
| Nemotron 3.5 Transcribe | 英伟达 | 2.8% | 多任务，转录 + 翻译 + 说话人识别 |
适合落地场景
- 企业客服录音归档、通话纪要生成
- 财报会议、线下演讲、访谈录音转写
- 政务、金融等高合规场景，数据不出本地机房
- CRM 配套语音录入，对接 Salesforce 自有业务系统
当前模型局限
- 仅支持非流式转录，无法做实时语音转文字
- 重点优化英语，其余 6 种语言识别效果弱于英语
- 显存门槛较高，普通消费显卡很难流畅跑全量推理
- 嘈杂环境、多人快速交替对话场景，词错率会明显上升
- 技术报告暂未完整公开，更多消融实验数据待后续放出
【常见问题】
问题 1：Salesforce 开源语音转文本模型 SOV-Transcribe-1 上线 Hugging Face，Artificial Analysis 实测 2.3% 是什么意思？
回答 1：Salesforce 开源语音转文本模型 SOV-Transcribe-1 上线 Hugging Face，Artificial Analysis 实测 2.3% 是 AA-WER 词错误率，数值越低识别越准，该成绩在开放权重语音转文本模型里排第一。
问题 2：Salesforce 开源语音转文本模型 SOV-Transcribe-1 能不能做实时语音转写？
回答 2：Salesforce 开源语音转文本模型 SOV-Transcribe-1 是离线非流式模型，只适合已经录好的音频文件转录，不支持实时流式语音转文字。
问题 3：Salesforce 开源语音转文本模型 SOV-Transcribe-1 用的是什么开源协议？
回答 3：Salesforce 开源语音转文本模型 SOV-Transcribe-1 采用 Apache 2.0 协议，开发者可以下载权重本地部署、商用和二次微调。
问题 4：Salesforce 开源语音转文本模型 SOV-Transcribe-1，2.3% 的成绩是和哪些模型对比拿到第一？
回答 4：Salesforce 开源语音转文本模型 SOV-Transcribe-1 实测 2.3%，超过 Mistral Voxtral Small、英伟达 Nemotron 3.5 Transcribe 等开放权重 ASR 模型，登顶开放权重榜单。
问题 5：Salesforce 开源语音转文本模型 SOV-Transcribe-1 适合什么企业使用？
回答 5：Salesforce 开源语音转文本模型 SOV-Transcribe-1 适合有数据合规要求、需要私有化部署的企业，用来处理客服录音、会议、财报录音等离线音频转录。
【参考资料】
[2026-11-14]（Salesforce SOV-Transcribe-1：开放权重 ASR，AA-WER 2.28%）AIWire
[2026-11-13]（Salesforce releases SOV-Transcribe-1, now the top open-weights speech model）WorldNL Magazine
[2026-11-13]（Salesforce Releases SOV-Transcribe-1 Speech Model）TSN Media
[2026-11-12]（Salesforce’s SOV-Transcribe-1 Ranks First Among Open-Weight Speech Models）TokenPost
【免责声明】
本文仅整理 Salesforce 开源语音转文本模型 SOV-Transcribe-1 的资讯，Artificial Analysis 实测 2.3% 为该评测平台固定测试集结果，在不同噪声、语种、场景下识别效果会变化；不构成模型采购、部署选型建议，模型详细限制、微调方案请以 Hugging Face 模型卡和 Salesforce 官方文档为准。