2026년 11월 12일, Salesforce는 첫 오픈 웨이트 음성 인식 모델 SOV-Transcribe-1을 발표하고, 가중치를 같은 날 Apache 2.0 라이선스로 Hugging Face에 공개했다. 독립 평가 기관 Artificial Analysis의 비스트리밍 음성-텍스트 순위에서 단어 오류율 2.28%로 오픈 모델 중 1위, 전체 7위를 차지하며 Mistral의 Voxtral Small과 NVIDIA의 Nemotron 3.5 Transcribe를 앞질렀다.
2.28%는 어느 수준인가: 오픈 1위, 전체 7위
단어 오류율은 음성-텍스트의 대표적인 하드 지표로, 낮을수록 좋다. SOV-Transcribe-1의 2.28%는 Voxtral Small의 2.77%, Nemotron 3.5 Transcribe의 2.81%보다 낮아 44개 모델 중 7위이며, 앞에 있는 것은 소수의 폐쇄형 모델뿐이다. VoiceCodeBench에서는 23개 시스템 중 2위로, 핵심 개체를 모두 정확히 전사한 녹음은 76.3%, 개체 재현율은 93.4%였다. 14가지 영어 억양의 고객 응대 대화 테스트에서 평균 단어 오류율은 8.21%로, 그중 8가지 억양에서는 평가 대상 중 가장 낮았다. 총 파라미터 266억 개, 한 번에 활성화되는 것은 46억 개다.
정확도만이 아니다: 지시대로 형식을 바꾸고, 어려운 단어도 알아듣는다
정확도를 넘어, SOV-Transcribe-1은 기업 녹음의 실제 고충을 겨냥한다. 지시 기반 전사 형식 제어를 지원해 법정 기록은 군말까지 그대로, 구술 메시지는 깔끔한 문장으로, 같은 녹음을 요청에 따라 다르게 출력할 수 있다. 맥락 편향 기능은 키워드나 오디오 요약을 미리 주면 알아듣기 어려운 인명이나 약품명의 전사 정확도를 높여주며, 클립의 키워드를 주면 키워드 F1 점수가 71.9에서 96.8로 올랐다. 환각을 유발하기 쉬운 실제 실적 발표 전화 녹음에서도 단어 오류율 25.69%로 모든 오픈 웨이트 비교 모델을 밑돌았다.
이 모델은 Salesforce의 소버린 AI 구상에 속하며, 겨냥하는 고객은 분명하다. 녹음을 타사 서버로 보낼 수 없는 정부 기관과 규제 대상 기업이다. 로컬 배포를 지원해 가중치를 자체 인프라에 내려받아 실행할 수 있으며, 회의록, 고객 응대 통화, 팟캐스트 녹음이 주요 용도다. 다만 한계도 분명하다. 비스트리밍 전사 전용이라 실시간 자막에는 맞지 않고, 영어·프랑스어·독일어·스페인어·이탈리아어·포르투갈어·네덜란드어 등 유럽 7개 언어만 지원하며 중국어는 없다. 가중치 파일은 약 53GB로, 배포에는 그에 맞는 GPU 메모리와 추론 환경이 필요하고, 기술 보고서는 아직 공개되지 않았다.
중국어 사용자에게 SOV-Transcribe-1은 기준점에 가깝다. 오픈 음성 인식의 기준은 2.28%까지 내려왔지만, 중국어 환경에서는 중국어를 지원하는 동급 모델을 아직 기다려야 한다. 앞으로 주목할 점은 기술 보고서 공개 이후의 독립적인 재검증, 그리고 실제 고객 응대 녹음에서의 장기적인 안정성이다.
