Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Salesforce SOV-Transcribe-1

Salesforces Apache-2.0-Transkriptionsmodell vom November 2026: die genauesten offenen Gewichte bei Artificial Analysis, mit 2,3 % Fehlerrate.

Getestet von ReviewRamble editors · Aktualisiert

Diese Seite teilen:XLinkedInFacebookRedditWhatsAppE-Mail

Unsere Bewertung

4.3/5

Offene Transkription, die endlich zwischen den kommerziellen Spitzenreitern steht, auch wenn sie eine 96-GB-GPU will und nur sieben Sprachen spricht.

Was ist Salesforce SOV-Transcribe-1?

SOV-Transcribe-1 ist ein Spracherkennungsmodell mit offenen Gewichten, das Salesforce am 12. November 2026 unter der Apache-2.0-Lizenz veröffentlicht hat. Es verbindet einen Whisper-large-v3-Audio-Encoder mit dem Mixture-of-Experts-Sprachmodell Gemma 4 26B A4B: insgesamt 26,6 Milliarden Parameter, rund 4,6 Milliarden pro Schritt aktiv. Es transkribiert aufgezeichnetes Audio, keine Live-Streams.

Weil der Decoder ein Sprachmodell ist, kann man ihm Formatierungsanweisungen geben (wortgetreu für eine Zeugenaussage, bereinigt für eine diktierte Nachricht) und eine Liste von Schlüsselbegriffen wie Kunden- oder Medikamentennamen. Die Modellkarte nennt Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch und Niederländisch sowie getestete Aufnahmen von bis zu 30 Minuten.

Es läuft mit Hugging Face Transformers oder mit vLLM über ein Plugin aus dem Repository, optional mit einem Draft-Modell für spekulatives Decoding. Salesforce versteht es als Baustein für Unternehmen, die Sprachfunktionen auf eigener Infrastruktur wollen.

Lohnt sich Salesforce SOV-Transcribe-1?

SOV-Transcribe-1 schließt den Großteil der Lücke zwischen dem, was man herunterladen, und dem, was man mieten kann. Artificial Analysis misst eine Wortfehlerrate von 2,3 %, die beste aller Open-Weight-Modelle und nur 0,4 Punkte hinter ElevenLabs' kostenpflichtigem Scribe v3. Salesforces eigener Wert liegt bei 2,28 %, gegenüber 2,81 % für Nvidias Nemotron 3.5 Transcribe und 2,77 % für Mistrals sechsmal größeres Voxtral Small.

Aussagekräftiger sind die Zahlen zu den Wörtern, auf die es ankommt. Auf VoiceCodeBench, das E-Mail-Adressen, Telefonnummern und ähnliche Entitäten prüft, kam es auf Platz zwei von 23 Systemen und erkannte 93,4 % der Entitäten. Bei verrauschten Earnings Calls, bei denen Sprachmodelle gern Text erfinden, erreichte es 25,69 % gegenüber 31,59 % bei Nemotron. Diese Vergleiche stammen von Salesforce, und der technische Bericht ist noch als demnächst erscheinend markiert.

Der Haken: Das ist ein großes Modell für eine einzige Aufgabe. Alle Benchmarks von Salesforce liefen auf einer einzelnen RTX PRO 6000 Blackwell mit 96 GB, und mit den Standardeinstellungen von vLLM geht dort der Speicher aus. Die Unterstützung in Transformers und vLLM ist noch nicht upstream, du hängst also an einem Plugin, das auf vLLM 0.32.0 festgelegt ist. Streaming gibt es nicht, und die Karte warnt, dass das Modell gelegentlich eine Phrase bis zum Token-Limit wiederholt, die Ausgaben brauchen also einen Wiederholungsfilter.

Unser Fazit: Für ein Unternehmen, das Anrufaudio im eigenen Haus halten muss, auf Englisch oder in einer großen westeuropäischen Sprache, ist das jetzt das offene Modell, an dem sich andere messen müssen. Wer Live-Untertitel, asiatische Sprachen oder einen laptoptauglichen Umfang braucht, sollte sich stattdessen Nemotron oder Parakeet ansehen.

Wo es sich lohnt

  • Das Compliance-Team einer Bank, das Beratungsgespräche aufzeichnet

    Jedes Gespräch vor Ort transkribieren, mit korrekten Kundennamen und Kontonummern

    Betreibe das Modell mit vLLM auf einer 96-GB-GPU und übergib die Kundenliste jedes Beraters als Schlüsselbegriffe. Salesforce meldet einen Spitzendurchsatz von 1.039 Sekunden Audio pro Sekunde.

  • Ein Protokollierungsdienst für Gerichte in den Niederlanden und Belgien

    Wortgetreue niederländische und französische Protokolle von Zeugenaussagen erstellen

    Fordere wortgetreue Ausgabe mit Greedy Decoding an, teile Aufnahmen über 30 Minuten an Pausen und führe vor der Prüfung einen Wiederholungscheck durch.

Bevor du dich festlegst

Einrichtung
pip install transformers (5.19 bis 5.22), den Ordner vllm_plugin herunterladen und per pip installieren, dann vllm serve salesforce-sovereign-intelligence/SOV-Transcribe-1 --max-model-len 32768; 16-kHz-Mono-Audio mit temperature 0 senden.
Integrationen
Hugging Face Transformers (trust_remote_code) und ein OpenAI-artiger Endpunkt /v1/audio/transcriptions über vLLM; optionales DFlash-Draft-Modell für spekulatives Decoding.
Daten und Datenschutz
Selbst gehostet unter Apache 2.0, das Audio bleibt also auf deinen Servern. Trainingsdaten und vollständiger Trainingscode gehören nicht zur Veröffentlichung.
Kosten im großen Maßstab
Keine Gebühr pro Minute. Mit dem Draft-Modell braucht ein 30-Sekunden-Clip auf einer RTX PRO 6000 Blackwell etwa 0,22 s; die Kosten sind die Zeit dieser GPU.
Grenzen
Kein Streaming. vLLM begrenzt Anfragen standardmäßig auf 600 s; für 30 Minuten VLLM_MAX_AUDIO_DECODE_DURATION_S auf 1800 setzen. max_num_seqs auf 64 setzen, damit es mit geladenem Draft-Modell in 96 GB passt.

Was gut ist

  • 2,3 % Fehler bei Artificial Analysis, bestes Open-Weight-Modell
  • Apache 2.0, kommerzielle Nutzung erlaubt
  • Formatierungsanweisungen und Gewichtung von Schlüsselbegriffen
  • Platz zwei von 23 auf VoiceCodeBench bei Entitäten

Was nicht

  • 26,6 Milliarden Parameter; Benchmarks liefen auf einer 96-GB-GPU
  • Sieben Sprachen, alle europäisch
  • Kein Streaming; getestet bis 30 Minuten pro Datei
  • Eigenes Plugin, bis vLLM und Transformers es unterstützen; seltene Ausgabeschleifen

Am besten für

Unternehmen in regulierten Branchen, die Transkription nahe kommerziellem Niveau auf Englisch und in europäischen Sprachen auf eigenen GPUs brauchen.

Alternativen zu Salesforce SOV-Transcribe-1

Salesforce SOV-Transcribe-1: häufige Fragen

Lohnt sich Salesforce SOV-Transcribe-1?
Offene Transkription, die endlich zwischen den kommerziellen Spitzenreitern steht, auch wenn sie eine 96-GB-GPU will und nur sieben Sprachen spricht. Wir bewerten es mit 4.3 von 5.
Was kostet Salesforce SOV-Transcribe-1?
Kostenlos unter Apache 2.0; du zahlst für deine eigenen GPUs. Kein gehosteter Preis von Salesforce.
Welche Nachteile hat Salesforce SOV-Transcribe-1?
26,6 Milliarden Parameter; Benchmarks liefen auf einer 96-GB-GPU; Sieben Sprachen, alle europäisch; Kein Streaming; getestet bis 30 Minuten pro Datei; Eigenes Plugin, bis vLLM und Transformers es unterstützen; seltene Ausgabeschleifen.
Für wen eignet sich Salesforce SOV-Transcribe-1?
Unternehmen in regulierten Branchen, die Transkription nahe kommerziellem Niveau auf Englisch und in europäischen Sprachen auf eigenen GPUs brauchen.
Was kostet Salesforce SOV-Transcribe-1 für ein Team oder im Produktivbetrieb?
Keine Gebühr pro Minute. Mit dem Draft-Modell braucht ein 30-Sekunden-Clip auf einer RTX PRO 6000 Blackwell etwa 0,22 s; die Kosten sind die Zeit dieser GPU.
Ist Salesforce SOV-Transcribe-1 sicher für Firmendaten?
Selbst gehostet unter Apache 2.0, das Audio bleibt also auf deinen Servern. Trainingsdaten und vollständiger Trainingscode gehören nicht zur Veröffentlichung.
Was sind die besten Alternativen zu Salesforce SOV-Transcribe-1?
Die nächsten Alternativen, die wir getestet haben, sind NVIDIA Nemotron 3.5 Transcribe, Voxtral 3 (Transcribe and TTS), Granite Speech 5.0 2B und ElevenLabs Scribe v3 and Scribe v3 Live.

Antworten geprüft am 21. Nov. 2026.

Du entwickelst Salesforce SOV-Transcribe-1? Zeig diese Bewertung auf deiner WebsiteSalesforce SOV-Transcribe-1 mit 4.3 von 5 bewertet auf ReviewRamble