Le 12 novembre 2026, Salesforce a présenté SOV-Transcribe-1, son premier modèle de reconnaissance vocale à poids ouverts, dont les poids ont été publiés le jour même sur Hugging Face sous licence Apache 2.0. Dans le classement speech-to-text non streaming de l'évaluateur indépendant Artificial Analysis, il affiche un taux d'erreur de mots de 2,28 %, premier parmi tous les modèles ouverts et septième au classement général, devant Voxtral Small de Mistral et Nemotron 3.5 Transcribe de NVIDIA.
Que vaut 2,28 % : premier des modèles ouverts, septième au général
Le taux d'erreur de mots est la mesure de référence du speech-to-text — plus il est bas, mieux c'est. Les 2,28 % de SOV-Transcribe-1 devancent les 2,77 % de Voxtral Small et les 2,81 % de Nemotron 3.5 Transcribe ; sur 44 modèles évalués, cela vaut la septième place, devant laquelle ne subsistent que quelques modèles fermés. Sur VoiceCodeBench, il se classe deuxième sur 23 systèmes : 76,3 % des enregistrements ont toutes leurs entités clés correctement transcrites, et le rappel d'entités est de 93,4 %. Dans des dialogues de service client couvrant 14 accents anglais, le taux d'erreur moyen est de 8,21 %, le plus bas parmi les modèles évalués pour 8 de ces accents. Le modèle compte 26,6 milliards de paramètres au total et n'en active que 4,6 milliards à la fois.
Au-delà de la précision : un format piloté par instruction et des mots rares reconnus
Au-delà de la précision, SOV-Transcribe-1 vise les vrais problèmes des enregistrements d'entreprise. Il prend en charge des formats de transcription pilotés par instruction : un procès-verbal doit conserver chaque hésitation mot pour mot, tandis qu'un message dicté doit se lire proprement — le même enregistrement peut être rendu différemment selon la consigne. Le biais contextuel permet de fournir à l'avance des mots-clés ou un résumé de l'audio, ce qui améliore la transcription des noms de personnes et de médicaments difficiles ; avec les mots-clés du clip, le F1 des mots-clés passe de 71,9 à 96,8. Sur de vrais enregistrements d'appels de résultats, prompts aux hallucinations, son taux d'erreur est de 25,69 %, inférieur à celui de tous les modèles ouverts comparés.
Le modèle relève du programme d'IA souveraine de Salesforce, et ses clients cibles sont clairs : les administrations et les entreprises réglementées qui ne peuvent pas envoyer leurs enregistrements sur les serveurs d'un tiers. Il prend en charge le déploiement local, les poids pouvant être téléchargés pour tourner sur sa propre infrastructure, et ses usages principaux sont les comptes rendus de réunion, les appels de service client et les enregistrements de podcasts. Mais les limites sont tout aussi claires : il ne fait que de la transcription non streaming, donc pas de sous-titrage en direct ; il ne prend en charge que sept langues européennes — anglais, français, allemand, espagnol, italien, portugais et néerlandais — et pas le chinois ; les poids pèsent environ 53 Go, le déploiement exige donc une mémoire GPU et un environnement d'inférence adaptés, et le rapport technique n'a pas encore été publié.
Pour les utilisateurs chinois, SOV-Transcribe-1 est plutôt un point de repère : la barre de la reconnaissance vocale ouverte est descendue à 2,28 %, tandis que les scénarios en chinois attendent encore un modèle comparable prenant en charge le chinois. La suite à surveiller : la vérification indépendante une fois le rapport technique publié, et la stabilité à long terme sur de vrais enregistrements de service client.
