2026年11月12日、Salesforceは初のオープンウェイト音声認識モデルSOV-Transcribe-1を発表し、重みを同日、Apache 2.0ライセンスでHugging Faceに公開した。独立評価機関Artificial Analysisの非ストリーミング音声文字起こしランキングでは、単語誤り率2.28%でオープン模型中首位、全体7位となり、MistralのVoxtral SmallとNVIDIAのNemotron 3.5 Transcribeを上回った。
2.28%とはどういう水準か：オープン首位、全体7位
単語誤り率は音声文字起こしの代表的な指標で、低いほどよい。SOV-Transcribe-1の2.28%はVoxtral Smallの2.77%、Nemotron 3.5 Transcribeの2.81%を下回り、44モデル中7位で、上にいるのは少数のクローズドモデルだけだ。VoiceCodeBenchでは23システム中2位で、重要エンティティをすべて正しく書き起こせた録音は76.3%、エンティティ再現率は93.4%だった。14種の英語アクセントによる顧客対応の会話テストでは平均単語誤り率8.21%で、そのうち8種のアクセントでは評価対象中最低だった。総パラメータ266億、1回に活性化するのは46億だ。
正確さだけではない：指示で書式を変え、難しい単語も認識
正確さの先に、SOV-Transcribe-1は企業録音の現実的な悩みを狙っている。指示による転写書式の制御に対応し、法廷記録ではフィラーも含めて逐語的に、口述メッセージではすっきりした文章でと、同じ録音を要望に応じて書き分けられる。コンテキストバイアス機能では、事前にキーワードや音声の概要を与えておくことで、読みにくい人名や薬品名の認識精度が上がり、クリップのキーワードを与えるとキーワードF1は71.9から96.8に上がった。幻覚を誘いやすい実際の決算電話の音声でも、単語誤り率25.69%でオープンウェイトの比較対象をすべて下回った。
このモデルはSalesforceのソブリンAI構想に属し、狙う顧客は明確だ。録音を他社のサーバーに送れない政府機関や規制業種の企業である。ローカルデプロイに対応し、重みを自社インフラにダウンロードして動かせる。議事録、顧客対応の通話、ポッドキャスト録音が主な用途だ。ただし境界もはっきりしている。非ストリーミング転写専用で、リアルタイム字幕には向かない。対応言語は英・仏・独・西・伊・葡・蘭の欧州7言語のみで、中国語はない。重みファイルは約53GBで、デプロイには相応のGPUメモリと推論環境が必要で、技術レポートもまだ公開されていない。
中国語ユーザーにとって、SOV-Transcribe-1はむしろ参照点だ。オープン音声認識の水準は2.28%まで下がったが、中国語の場面では中国語に対応した同等のモデルをまだ待つ段階にある。今後の注目点は、技術レポート公開後の第三者による再検証と、実際の顧客対応録音における長期的な安定性だ。
