Salesforce julkaisi 12. marraskuuta Hugging Facessa SOV-Transcribe-1-mallin, joka muuttaa äänitallenteen tekstiksi. Malleja vertaileva Artificial Analysis (AA) julkaisi samana päivänä X:ssä oman mittauksensa. AA-WER-indeksi mittaa, kuinka suuren osan sanoista malli litteroi väärin, ja pienempi luku on parempi. Siinä malli sai 2,3 prosenttia. AA:n mukaan se on paras avointen painojen malli ja seitsemäs 44 mallin vertailussa, jossa on mukana myös suljettuja kaupallisia malleja.

AA:n julkaisun kuvassa seuraavaksi parhaat avointen painojen mallit saavat kumpikin 2,8 %: Mistralin Voxtral Small ja NVIDIA:n Nemotron 3.5 Transcribe. Koko vertailun kärjessä on Alibaban Fun-Realtime-ASR-preview 1,7 prosentilla.

AA:n toisen julkaisun mukaan malli litteroi Salesforcen ylläpitämässä palvelussa minuutin ääntä noin sekunnissa.

Rakenne ja parametrit

Malli käsittelee koko tallenteen kerralla eikä tuota tekstiä puheen edetessä. Kiinalainen hub.baai.ac.cn (智源社区) -sivusto julkaisi AREX-tekoälyagentin koostaman artikkelin, joka referoi mallikorttia. Sen mukaan malli yhdistää Whisper large-v3 -äänikooderin ja Gemma 4 26B A4B -kielimallin. Kielimalli on MoE-malli, joka käyttää kunkin tokenin käsittelyyn vain osaa parametreistaan. Kaikkien parametrien on silti oltava muistissa.

Lähteiden parametrimäärät eroavat. Salesforcen blogin mukaan aktiivisia parametreja on 4 miljardia ja kaikkiaan 26 miljardia. AA:n mukaan aktiivisia parametreja on 4,6 miljardia. Mallikortin mukaan aktiivisia on 4,6 miljardia ja kaikkiaan 26,6 miljardia äänikooderi mukaan lukien.

Yhtiön omat vertailut

AA on julkaissut mallista sanavirheosuuden ja nopeuden. Muut tulokset ovat Salesforcen omia. Yhtiön mukaan malli muotoilee tekstin tavallisella kielellä kirjoitettujen ohjeiden perusteella. Kun mallille annetaan avainsanoja, kuten harvinaisia nimiä, se litteroi ne yhtiön testissä tarkemmin: avainsanojen F1-luku nousi 71,9:stä 96,8:aan.

Taulukossa on Salesforcen ilmoittama sanavirheosuus neljässä testissä. Yhtiö valitsi itse sekä testit että vertailtavat mallit.

Lähde: Salesforcen julkaisu. Open ASR- ja ContextASR-rivit AREXin artikkelin mukaan. Pienempi luku on parempi.

AREXin mukaan malli jää Open ASR -testissä molemmista kilpailijoista jälkeen kaikilla kuudella englannin ulkopuolisella kielellä. Suomi ei ole mallikortin tuettujen kielten joukossa. Tuettuja ovat englanti, ranska, saksa, espanja, italia, portugali ja hollanti. Pisin testattu tallenne kesti 30 minuuttia.

Painot voi ladata Hugging Facesta Apache 2.0 -lisenssillä. Mallikortin mukaan yksi RTX PRO 6000 Blackwell Server Edition -näytönohjain litteroi apumallin (SOV-Transcribe-1-DFlash) kanssa enimmillään 1 039 sekuntia ääntä sekunnissa. Luku mitattiin vLLM-ohjelmiston marraskuun 2026 kehitysversiolla, johon mallin tuki on rakennettu suoraan. Virallisessa vLLM:ssä tätä tukea ei vielä ole, sillä se on vasta lähetetty vLLM:n kehittäjille. Nyt mallia ajetaan lisäosan avulla. Apumallin kanssa samanaikaisten pyyntöjen raja pitää laskea 64:ään, koska vLLM:n oletusraja 1 024 kuluttaa muistin loppuun eikä malli mahdu 96 gigatavun näytönmuistiin. Salesforce kertoo julkaisevansa teknisen raportin myöhemmin.