
Salesforce 的 Sovereign AI 团队在 11 月 12 日发布了开源权重语音识别模型 SOV-Transcribe-1,面向非流式自动语音识别。模型卡写明总参数 266 亿、激活 46 亿(含音频编码器);官方博文则约写成 40 亿激活、260 亿总参数。架构是 Whisper large-v3 音频编码器,加上投影层和 Gemma 4 26B A4B MoE。支持英语、法语、德语、西班牙语、意大利语、葡萄牙语和荷兰语,输入为 16 kHz 音频,官方称最长测过 30 分钟。权重以 Apache 2.0 许可发布。
官方把它的能力概括成几块:对姓名、电话和邮箱等实体更稳;对口音和噪声更鲁棒;可用自然语言指令控制转写风格(逐字还是清理口头禅、数字怎么写);还可以提供关键词或场景说明做上下文偏置。这些都是官方介绍。
评测数字来自官方整理,截止日期是 11 月 12 日:在 Artificial Analysis 的非流式语音识别榜上,SOV-Transcribe-1 在开源权重模型中排第一、总榜第七,官方给出的 AA-WER 为 2.28%。在 VoiceCodeBench 的 23 套系统里排第二,任务成功率 76.3%,实体回收率 93.4%。在 AppTek 呼叫中心对话(14 种英语口音)上,官方称平均词错误率为 8.21%,并在其中 8 种口音上错误率最低。这些不是我们自行复测的结果。
目前原生的 vLLM 和 Transformers 支持还在向上游合入。官方提供了面向 vLLM 0.32.0 的插件,以及 Transformers 的建模代码。另外还有独立的 DFlash 草稿模型,用来做推测解码。
出处:
- 收藏支持反对
- 暂无回复