SOV-Transcribe-1 est un modèle de reconnaissance vocale à poids ouverts publié par Salesforce le 12 novembre 2026, arrivé en tête du classement open source d'Artificial Analysis deux jours après son lancement. Le verdict d'abord : sa précision est bel et bien la meilleure de la transcription open source, mais ses poids de 53 Go et l'environnement de test à 96 Go de VRAM écartent la quasi-totalité des utilisateurs individuels. Sans carte graphique à large VRAM, mieux vaut regarder passer pour l'instant — rien ne presse.
Ce que vaut vraiment la première place à 2,28 %
L'architecture associe un encodeur Whisper large-v3 et une couche de projection à un décodeur Gemma 4 26B A4B MoE, soit 26,6 milliards de paramètres, en reconnaissance non streaming. Sur le classement AA-WER, son taux d'erreur de mots est de 2,28 %, première place parmi les modèles à poids ouverts et septième sur 44 modèles au total, devant Nemotron 3.5 Transcribe à 2,81 % et Whisper Large v3 Turbo à 4,62 %. Le style de transcription se pilote en langage naturel, et la licence Apache 2.0 autorise l'usage commercial. Les limites sont claires elles aussi : sept langues européennes seulement, pas de chinois, et un seul fichier audio de 30 minutes maximum.
Coût de déploiement : 96 Go de VRAM, un seuil infranchissable
Le dépôt officiel se trouve sur Hugging Face, organisation salesforce-sovereign-intelligence, projet SOV-Transcribe-1 ; poids et code sont réunis sur cette page de modèle, sans dépôt GitHub séparé. Deux façons de le déployer : le plug-in vLLM 0.32.0 fourni, qui peut lancer un service de transcription compatible OpenAI, ou Transformers 5.19 à 5.22 avec le code de modélisation propre au dépôt, ce qui exige trust_remote_code. Le coût est le vrai sujet : les poids pèsent environ 53 Go, donc les cartes grand public de 12, 16 ou 24 Go ne peuvent pas les contenir, et les chiffres officiels ont été mesurés sur une seule RTX PRO 6000 de 96 Go. Le réglage par défaut de vLLM, 1 024 séquences simultanées, sature la mémoire ; il faut abaisser max_num_seqs à 64. La vitesse est correcte : un enregistrement de 30 secondes est transcrit en environ 0,22 seconde.
Pièges et limites : qui devrait s'y frotter, et qui devrait s'abstenir
D'abord les pièges : c'est un modèle non streaming, adapté uniquement à la transcription par lots de réunions, d'appels et de podcasts enregistrés — pas aux sous-titres en direct ni aux diffusions live. Pour l'instant, aucune version quantifiée ni GGUF officielle ; pour le faire tourner sur une carte grand public, il faudra attendre une quantification communautaire. Un point de terminaison vLLM accepte par défaut 600 secondes d'audio au maximum par requête et doit être reconfiguré pour atteindre le plafond de 30 minutes, et la fiche du modèle elle-même signale des sorties répétées occasionnelles, à éliminer en post-traitement. Certaines données de référence ne sont pas publiques, donc les scores du classement ne sont pas entièrement reproductibles de l'extérieur. Il convient aux organisations dotées de GPU de classe 80 Go dont l'audio ne doit pas quitter le réseau interne, ou aux équipes dont le volume de transcription rend l'auto-hébergement moins cher que les appels API. Les utilisateurs individuels, les besoins de transcription en chinois et les sous-titres en direct feraient mieux d'attendre — Whisper Large v3 Turbo est l'option la plus simple.
