SOV-Transcribe-1是Salesforce在2026年11月12日发布的开源权重语音识别模型，上线两天登上Artificial Analysis开源榜首。先给判断：准确率确实是开源转写里最准的一档，但53GB权重和96GB显存的实测环境，把绝大多数个人用户挡在门外。手里没有大显存显卡，看看就好，不用急着折腾。
开源榜首的含金量：2.28%是怎么来的
架构是Whisper large-v3编码器加投影层，再接Gemma 4 26B A4B MoE解码器，总参数26.6B，非流式识别。AA-WER榜单上词错率2.28%，开源权重模型第一，全部44个模型里第七，优于Nemotron 3.5 Transcribe的2.81%和Whisper Large v3 Turbo的4.62%。它能用自然语言控制转写风格，许可证是Apache 2.0，可以商用。边界也很清楚：只支持7种欧洲语言，没有中文，单条音频最长30分钟。
部署成本：96GB显存是硬门槛
官方仓库在Hugging Face，组织是salesforce-sovereign-intelligence，项目名SOV-Transcribe-1，权重和代码都在这个模型页，没有单独的GitHub仓库。部署有两条路：仓库自带的vLLM 0.32.0插件，可起OpenAI兼容转写服务；或Transformers 5.19到5.22加仓库自有建模代码，需开启trust_remote_code。成本才是关键：权重约53GB，12GB、16GB、24GB消费级显卡都装不下，官方数据在单块96GB的RTX PRO 6000上测得，vLLM默认1024并发序列会爆显存，得把max_num_seqs降到64。速度不慢：30秒录音约0.22秒出稿。
坑点与边界：谁适合折腾、谁别碰
先说坑：非流式模型，只适合录好的会议、通话、播客批量转写，做不了实时字幕和直播。截至目前没有官方量化版和GGUF版，想上消费级显卡只能等社区量化。vLLM端点默认单请求最长600秒音频，改配置才能到30分钟上限，模型卡自述偶发重复输出，需后处理去重。部分基准数据不公开，榜单分数无法完全复现。适合的是手里有80GB级显卡、音频不能出内网的机构，或转写量大到自建更便宜的团队。个人用户、中文转写、实时字幕场景都不适合现在上手，Whisper Large v3 Turbo更省事。
