2026年11月12日，Salesforce发布首个开放权重语音识别模型SOV-Transcribe-1，权重当天以Apache 2.0协议放到Hugging Face上。在独立评测机构Artificial Analysis的非流式语音转文字榜单上，它以2.28%的词错率排在全部开源模型第一、总榜第七，超过了Mistral的Voxtral Small与英伟达的Nemotron 3.5 Transcribe。
2.28%是什么水平：开源第一，总榜第七
词错率是语音转文字最常用的硬指标，越低越好。SOV-Transcribe-1的2.28%低于Voxtral Small的2.77%与Nemotron 3.5 Transcribe的2.81%，在44个参评模型里排第七，前面只剩少数闭源模型。它在VoiceCodeBench上23个系统里排第二：关键实体全部转对的录音占76.3%，实体召回率93.4%。14种英语口音的客服对话测试里，平均词错率8.21%，其中8种口音是参评模型中最低。模型总参数266亿、每次只激活46亿。
不只求准：还能按指令改格式、认生僻词
准确率之外，SOV-Transcribe-1瞄准的是企业录音的真实痛点。它支持指令控制转写格式：庭审记录要逐字保留语气词，口述消息要干净成文，同一段录音可以按要求输出不同格式。上下文偏置功能允许事先给关键词或音频简介，难认的人名、药名转写准确率随之提升，给出片段关键词后关键词F1分数从71.9提高到96.8。在容易诱发幻觉的真实财报电话录音上，它的词错率25.69%，低于全部开源对照模型。
这款模型归属Salesforce的主权AI布局，目标客户很明确：不能把录音发到别人服务器上的政府机构与受监管企业。支持本地部署，权重可以下载到自有基础设施上跑，会议纪要、客服电话与播客录音是它的主场景。但边界同样清楚：它只做非流式转写，不适合实时字幕；只支持英、法、德、西、意、葡、荷七种欧洲语言，没有中文；权重文件约53GB，部署要准备相应的显存与推理环境，技术报告也尚未公布。
对中文用户来说，SOV-Transcribe-1更像一个参照：开源语音识别的标杆已经压到2.28%，而中文场景仍要等支持中文的同类模型出现。后续值得看的是技术报告公开后的独立复测，以及它在真实客服录音里的长期稳定性。
