Salesforceは11月12日、Hugging Faceのブログで、音声認識（文字起こし）用のオープンウェイトモデル「SOV-Transcribe-1」を発表した。音声を理解できるように拡張した言語モデルで、ストリーミングではない一括処理の文字起こし向けだ。ライセンスはApache 2.0で、商用でも自社の環境で動かせる。
オープンウェイトで1位、メールアドレスや電話番号に強い
モデルは総パラメータ260億、そのうち推論時に使うアクティブパラメータは40億のMoE構成だ。英語の書き起こし精度を中心に、複数の言語に対応する。Salesforceによると、第三者評価サイトArtificial Analysisの非ストリーミング文字起こし部門で、オープンウェイトモデルの中で1位（全体では7位）に入った。単語誤り率（WER）は2.28%で、同じアクティブパラメータ数のNVIDIA「Nemotron 3.5 Transcribe」（2.81%）や、アクティブパラメータが6倍のMistral「Voxtral Small」（2.77%）を上回ったという。
特に、電話番号やメールアドレス、URLといった、1文字違うだけで意味が変わる語句の聞き取りを重視している。こうした語句の正確さを測るVoiceCodeBenchでは、録音の76.3%を完全に正しく書き起こし、オープンウェイトモデルで1位、23システム中2位になった。
なまりや雑音にも対応
14種類の英語のなまりを含むコールセンターの通話データでは、平均WERが8.21%で、オーストラリア、英国、インド、シンガポールなど8種類のなまりで最も低い誤り率だった。書き起こしのスタイルを指示したり、専門用語を優先して認識させたりする機能もある。Salesforceは、企業が自社で管理できる「主権型」の音声サービスの基盤になるとしている。
