Am 12. November 2026 hat Salesforce mit SOV-Transcribe-1 sein erstes Open-Weight-Spracherkennungsmodell vorgestellt; die Gewichte wurden noch am selben Tag unter der Apache-2.0-Lizenz auf Hugging Face veröffentlicht. In der Non-Streaming-Speech-to-Text-Rangliste des unabhängigen Bewerters Artificial Analysis erreicht es eine Wortfehlerrate von 2,28 % und liegt damit unter allen offenen Modellen auf Platz eins und insgesamt auf Platz sieben — vor Mistrals Voxtral Small und NVIDIAs Nemotron 3.5 Transcribe.
Was 2,28 % bedeuten: Platz eins unter offenen Modellen, Platz sieben insgesamt
Die Wortfehlerrate ist die zentrale harte Kennzahl für Speech-to-Text — je niedriger, desto besser. Die 2,28 % von SOV-Transcribe-1 unterbieten die 2,77 % von Voxtral Small und die 2,81 % von Nemotron 3.5 Transcribe; unter 44 bewerteten Modellen bedeutet das Platz sieben, davor liegen nur wenige geschlossene Modelle. Bei VoiceCodeBench belegt es Platz zwei unter 23 Systemen: Bei 76,3 % der Aufnahmen sind alle Schlüsselentitäten korrekt transkribiert, die Entitätsabdeckung liegt bei 93,4 %. In Kundenservice-Dialogen mit 14 englischen Akzenten liegt die durchschnittliche Wortfehlerrate bei 8,21 % und ist bei 8 dieser Akzente die niedrigste unter den bewerteten Modellen. Das Modell hat 26,6 Milliarden Parameter insgesamt und aktiviert jeweils nur 4,6 Milliarden.
Mehr als Genauigkeit: Format per Anweisung, schwierige Wörter erkannt
Über die Genauigkeit hinaus zielt SOV-Transcribe-1 auf die echten Probleme von Unternehmensaufnahmen. Es unterstützt anweisungsgesteuerte Transkriptionsformate: Ein Gerichtsprotokoll muss jedes Füllwort wörtlich festhalten, eine diktierte Nachricht soll sauber lesbar sein — dieselbe Aufnahme lässt sich je nach Vorgabe unterschiedlich wiedergeben. Context Biasing erlaubt es, vorab Schlüsselwörter oder eine kurze Audiobeschreibung mitzugeben; schwer erkennbare Personen- und Medikamentennamen werden dadurch besser transkribiert, und mit den Schlüsselwörtern des Clips steigt der Keyword-F1-Wert von 71,9 auf 96,8. Auch bei echten Earnings-Call-Aufnahmen, die leicht Halluzinationen auslösen, liegt die Wortfehlerrate bei 25,69 % und damit unter allen offenen Vergleichsmodellen.
Das Modell gehört zu Salesforces Sovereign-AI-Programm, und die Zielkunden sind klar: Behörden und regulierte Unternehmen, die Aufnahmen nicht auf fremde Server schicken dürfen. Es unterstützt die lokale Bereitstellung, die Gewichte lassen sich auf die eigene Infrastruktur herunterladen, und die Hauptanwendungen sind Besprechungsnotizen, Kundenservice-Anrufe und Podcast-Aufnahmen. Die Grenzen sind aber ebenso klar: Es ist nur für Non-Streaming-Transkription gebaut und eignet sich nicht für Live-Untertitel; es unterstützt nur sieben europäische Sprachen — Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch und Niederländisch — und kein Chinesisch; die Gewichte umfassen rund 53 GB, die Bereitstellung braucht entsprechend GPU-Speicher und Inference-Umgebung, und der technische Bericht ist noch nicht veröffentlicht.
Für chinesische Nutzer ist SOV-Transcribe-1 eher ein Referenzpunkt: Die Messlatte für offene Spracherkennung liegt jetzt bei 2,28 %, während chinesischsprachige Szenarien noch auf ein vergleichbares Modell warten, das Chinesisch unterstützt. Zu beobachten sind die unabhängige Nachprüfung nach Veröffentlichung des technischen Berichts sowie die langfristige Stabilität bei echten Kundenservice-Aufnahmen.
