Salesforce 推出的开源语音转文本模型 SOV‑Transcribe‑1 已经正式上架 Hugging Face，第三方评测机构 Artificial Analysis 给出的实测词错率接近 2.3%，在当前开源权重 ASR 模型梯队里处在第一梯队，采用 Apache 2.0 许可，企业可以免费拿来商用、本地部署，不用依赖闭源语音 API，很适合会议转录、销售通话、带口音嘈杂音频、中英混说这类真实业务场景。这个模型属于 Salesforce Sovereign Intelligence 项目，总参数量 4B，编码器大约 3.2B、解码器 0.8B，专门针对现实里带背景噪音、口音混杂、代码切换的语音做训练，不是只在干净标准语音数据集刷分，所以实测表现相比 Whisper v3、Nemotron‑3B、Voxtral‑Mini、Qwen3‑ASR‑4B 都有优势，如果你想要可控数据、低延迟、可私有化部署的语音识别，这个新模型是近期很值得测试的选择。
一、模型基础参数
| 项目 | 详情 |
|---|---|
| 模型名称 | SOV‑Transcribe‑1 |
| 开发团队 | Salesforce AI Research，Sovereign Intelligence |
| 参数规模 | 4B（编码器 3.2B + 解码器 0.8B） |
| 开源许可 | Apache 2.0 |
| 发布位置 | Hugging Face |
| 任务类型 | 离线语音转文本 ASR，支持多语言 |
| 核心优势 | 抗噪声、对口音友好、支持代码切换、可私有化部署 |
二、Artificial Analysis 实测信息
- 核心指标：Artificial Analysis 的独立评测里，SOV‑Transcribe‑1 的 AA‑WER 实测约 2.3%，和官方公开基准的平均 WER 2.28% 非常接近
- 评测数据集：采用 AA‑AgentTalk、Earnings22‑Cleaned‑AA、VoxPopuli‑Cleaned‑AA 组成的标准音频集合，覆盖财经通话、日常对话、多语种口语
- 横向对比：在这套评测集上，它优于 Whisper v3、Nemotron‑3.5 Transcribe、Voxtral‑Mini、Qwen3‑ASR‑4B 等主流开源语音模型
- 补充说明：该数值是离线转录结果，流式实时转录会带来小幅上涨的词错率与延迟
三、部署与调用步骤
- 打开 Hugging Face，搜索 Salesforce 官方仓库找到 SOV‑Transcribe‑1，拉取权重与配套处理脚本；
- 准备环境，安装 transformers、accelerate、torchaudio，显存建议预留至少 10GB，使用量化可以进一步降低显存门槛；
- 加载预训练权重，把音频重采样到模型要求采样率；
- 执行推理，拿到原始转录文本，搭配标点恢复、说话人分离后处理；
- 如果是生产环境，可以封装成 API，接入通话录音、会议录制流水线；
- 跑完推理之后，你可以用 Artificial Analysis 的评测脚本复现 WER，验证自己环境下的实际效果。
四、适合与不适合场景清单
✅ 推荐使用
- 企业通话、销售录音、线上会议批量离线转录
- 需要本地私有化部署，音频数据不能外传
- 音频环境嘈杂、存在多国口音、中英混说
- 需要二次微调，面向垂直行业专有词汇
❌ 需要谨慎
- 超低延迟强实时语音助手，流式版本还没有单独优化
- 算力资源极度受限，只有小显存边缘设备
- 需要开箱即用自带完善的说话人分割、情绪识别
五、使用小提示
这个模型是 Apache 2.0，商用没有版权卡点，但如果打算微调之后对外分发，记得保留原始协议声明；如果你主要做实时语音，现阶段更适合先用离线版本做评估，等社区推出流式封装；对比闭源服务，它省去按分钟计费，但你要自己承担 GPU 推理成本、运维和后处理。
【相关 FAQ】
问题 1：Salesforce SOV‑Transcribe‑1 开源语音转文本模型在 Artificial Analysis 的实测成绩是多少？
回答 1：Artificial Analysis 实测 Salesforce SOV‑Transcribe‑1 开源语音转文本模型的 AA‑WER 大约为 2.3%，和官方公布基准平均词错率 2.28% 基本吻合，在同类型开源 ASR 模型里排名靠前。
问题 2：Salesforce SOV‑Transcribe‑1 开源语音转文本模型可以商用吗？
回答 2：可以，Salesforce SOV‑Transcribe‑1 开源语音转文本模型采用 Apache 2.0 许可证，允许商用、私有化部署、二次微调，没有强制对外公开权重的限制。
问题 3：在 Hugging Face 拿到 SOV‑Transcribe‑1 之后，最低需要多少显存跑推理？
回答 3：原生全精度运行 Salesforce SOV‑Transcribe‑1 开源语音转文本模型建议至少 10GB 显存；开启 4bit / 8bit 量化之后，可以在更小显存显卡上跑，但会轻微影响转录准确率。
问题 4：SOV‑Transcribe‑1 和 Whisper v3 相比，在 Artificial Analysis 的评测里谁更好？
回答 4：在 Artificial Analysis 使用的这套评测数据集上，Salesforce SOV‑Transcribe‑1 开源语音转文本模型词错率优于 Whisper v3，尤其在嘈杂音频、带口音对话场景差距更明显。
【参考资料】
[2026-11-13]（Salesforce releases SOV-Transcribe-1, now the top open-weights speech model）WorldNL Magazine
[2026-11-12]（Salesforce’s SOV-Transcribe-1 Ranks First Among Open-Weight Speech Models）TokenPost
[2026-11-12]（SOV-Transcribe-1 Salesforce : le modèle open-weight 1 pour la reconnaissance vocale réelle）IA Capsule
[2026-11-12]（Salesforce releases SOV - Transcribe - 1, now the top open - weights speech model）Crypto Briefing
【免责声明】
本文整理的 Salesforce SOV‑Transcribe‑1 开源语音转文本模型、Hugging Face 上线信息以及 Artificial Analysis 的实测数据来自公开第三方媒体与评测页面；模型权重、性能指标、支持语种、许可条款后续有可能更新，最终模型文件、运行限制、性能结果以 Hugging Face 官方仓库、Salesforce 公告以及 Artificial Analysis 最新评测页面为准，本文不构成技术选型承诺。