SOV-Transcribe-1은 Salesforce가 2026년 11월 12일 공개한 오픈 웨이트 음성 인식 모델로, 공개 이틀 만에 Artificial Analysis 오픈소스 순위 1위에 올랐다. 결론부터 말하면 정확도는 오픈소스 전사 모델 가운데 확실히 최상위권이지만, 53GB 가중치와 96GB VRAM 테스트 환경이 대다수 개인 사용자의 접근을 막고 있다. 대용량 VRAM GPU가 없다면 구경만 하는 편이 낫다. 서둘러 도전할 필요는 없다.
1위의 무게: 2.28%는 어떻게 나온 것인가
아키텍처는 Whisper large-v3 인코더와 프로젝션 계층에 Gemma 4 26B A4B MoE 디코더를 결합한 것으로, 총 파라미터 26.6B의 비스트리밍 인식 모델이다. AA-WER 순위에서 단어 오류율은 2.28%로 오픈 웨이트 모델 1위, 전체 44개 모델 중 7위를 기록해 Nemotron 3.5 Transcribe(2.81%)와 Whisper Large v3 Turbo(4.62%)를 앞섰다. 자연어로 전사 스타일을 제어할 수 있고, 라이선스는 Apache 2.0이라 상업적 이용이 가능하다. 한계도 분명하다. 유럽 언어 7종만 지원하고 중국어는 없으며, 오디오 한 건은 최대 30분까지다.
배포 비용: 96GB VRAM이 넘지 못할 벽
공식 저장소는 Hugging Face에 있으며, 조직은 salesforce-sovereign-intelligence, 프로젝트명은 SOV-Transcribe-1이다. 가중치와 코드는 모두 이 모델 페이지에 있고 별도의 GitHub 저장소는 없다. 배포 방법은 두 가지다. 내장된 vLLM 0.32.0 플러그인으로 OpenAI 호환 전사 서비스를 띄우는 방법, 또는 Transformers 5.19~5.22에 저장소 자체 모델링 코드를 더하는 방법으로, 후자는 trust_remote_code 활성화가 필요하다. 진짜 문제는 비용이다. 가중치가 약 53GB라 12GB, 16GB, 24GB 소비자용 그래픽카드에는 들어가지 않으며, 공식 수치는 96GB RTX PRO 6000 단일 카드에서 측정됐다. vLLM 기본값인 동시 1,024개 시퀀스는 VRAM 부족을 일으키므로 max_num_seqs를 64로 낮춰야 한다. 속도는 나쁘지 않다. 30초 녹음이 약 0.22초 만에 전사된다.
함정과 경계: 도전할 사람, 손대지 말아야 할 사람
먼저 함정부터. 비스트리밍 모델이라 녹음된 회의, 통화, 팟캐스트를 일괄 전사하는 데만 적합하고 실시간 자막이나 라이브 방송에는 쓸 수 없다. 현재로서는 공식 양자화 버전이나 GGUF 버전이 없어 소비자용 그래픽카드에서 쓰려면 커뮤니티 양자화를 기다려야 한다. vLLM 엔드포인트는 요청당 최대 600초 오디오가 기본값이라 30분 상한까지 끌어올리려면 설정을 바꿔야 하고, 모델 카드 스스로도 간헐적인 반복 출력을 인정하고 있어 후처리로 제거해야 한다. 일부 벤치마크 데이터가 비공개라 순위 점수를 외부에서 완전히 재현할 수는 없다. 80GB급 GPU를 보유하고 오디오를 내부망 밖으로 내보낼 수 없는 기관, 혹은 전사량이 많아 직접 운영하는 편이 API 이용보다 저렴한 팀에 적합하다. 개인 사용자, 중국어 전사, 실시간 자막 용도는 지금은 보류하는 것이 낫고, Whisper Large v3 Turbo가 훨씬 간편하다.
