SOV-Transcribe-1 ist ein Open-Weight-Spracherkennungsmodell, das Salesforce am 12. November 2026 veröffentlicht hat und das zwei Tage nach dem Start die Open-Source-Bestenliste von Artificial Analysis anführt. Das Urteil vorweg: Die Genauigkeit ist tatsächlich die beste unter den Open-Source-Transkriptionsmodellen, doch die 53 GB Gewichte und die Testumgebung mit 96 GB VRAM schließen fast alle Einzelnutzer aus. Wer keine Grafikkarte mit großem VRAM besitzt, schaut erst einmal nur zu – es eilt nicht.
Was der erste Platz mit 2,28 % wirklich wert ist
Die Architektur kombiniert einen Whisper-large-v3-Encoder mit Projektionsschicht und einen Gemma-4-26B-A4B-MoE-Decoder, insgesamt 26,6 Mrd. Parameter, und arbeitet nicht im Streaming-Verfahren. In der AA-WER-Rangliste liegt die Wortfehlerrate bei 2,28 % – Platz eins unter den Open-Weight-Modellen und Platz sieben von insgesamt 44 Modellen, vor Nemotron 3.5 Transcribe mit 2,81 % und Whisper Large v3 Turbo mit 4,62 %. Der Transkriptionsstil lässt sich in natürlicher Sprache steuern, und die Lizenz ist Apache 2.0, kommerzielle Nutzung ist also erlaubt. Die Grenzen sind ebenfalls klar: nur sieben europäische Sprachen werden unterstützt, kein Chinesisch, und eine einzelne Audiodatei darf höchstens 30 Minuten lang sein.
Bereitstellungskosten: 96 GB VRAM sind die harte Untergrenze
Das offizielle Repository liegt auf Hugging Face, Organisation salesforce-sovereign-intelligence, Projekt SOV-Transcribe-1; Gewichte und Code befinden sich alle auf dieser Modellseite, ein separates GitHub-Repository gibt es nicht. Es gibt zwei Wege zur Bereitstellung: das mitgelieferte vLLM-0.32.0-Plug-in, mit dem sich ein OpenAI-kompatibler Transkriptionsdienst starten lässt, oder Transformers 5.19 bis 5.22 mit dem eigenen Modellcode des Repositorys, wofür trust_remote_code aktiviert werden muss. Entscheidend sind die Kosten: Die Gewichte sind rund 53 GB groß, sodass 12-GB-, 16-GB- und 24-GB-Consumer-Karten sie nicht aufnehmen können; die offiziellen Zahlen wurden auf einer einzelnen 96-GB-RTX-PRO-6000 gemessen. Die vLLM-Voreinstellung von 1.024 parallelen Sequenzen läuft in einen Speicherüberlauf, also muss max_num_seqs auf 64 gesenkt werden. Die Geschwindigkeit stimmt: Eine 30-Sekunden-Aufnahme ist in etwa 0,22 Sekunden transkribiert.
Fallstricke und Grenzen: Wer sich die Mühe machen sollte – und wer nicht
Zuerst die Fallstricke: Es ist ein Nicht-Streaming-Modell und eignet sich nur für die Stapeltranskription aufgezeichneter Meetings, Anrufe und Podcasts – nicht für Live-Untertitel oder Livestreams. Bislang gibt es keine offizielle quantisierte Version und keine GGUF-Version; wer es auf einer Consumer-Karte betreiben will, muss auf eine Quantisierung aus der Community warten. Ein vLLM-Endpunkt erlaubt standardmäßig höchstens 600 Sekunden Audio pro Anfrage und muss erst umkonfiguriert werden, um die 30-Minuten-Grenze zu erreichen; die Modellkarte selbst räumt gelegentliche Wiederholungsausgaben ein, die per Nachbearbeitung entfernt werden müssen. Einige Benchmark-Daten sind nicht öffentlich, sodass sich die Ranglistenwerte extern nicht vollständig reproduzieren lassen. Geeignet ist es für Organisationen mit 80-GB-Klasse-GPUs, deren Audio das interne Netz nicht verlassen darf, oder für Teams mit so viel Transkriptionsvolumen, dass Selbsthosting günstiger ist als API-Abrufe. Einzelnutzer, chinesische Transkription und Live-Untertitel sollten vorerst abwarten – Whisper Large v3 Turbo ist die bequemere Wahl.
