Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Salesforce SOV-Transcribe-1

El modelo de transcripción de Salesforce con licencia Apache 2.0, de noviembre de 2026: los pesos abiertos más precisos de Artificial Analysis, con un 2,3% de error.

Reseña de ReviewRamble editors · Actualizado

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

4.3/5

Transcripción abierta que por fin se sitúa entre los líderes comerciales, aunque pide una GPU de 96 GB y solo habla siete idiomas.

¿Qué es Salesforce SOV-Transcribe-1?

SOV-Transcribe-1 es un modelo de reconocimiento de voz de pesos abiertos que Salesforce publicó el 12 de noviembre de 2026 con licencia Apache 2.0. Une un codificador de audio Whisper large-v3 a un modelo de lenguaje de mezcla de expertos Gemma 4 26B A4B: 26.600 millones de parámetros en total, unos 4.600 millones activos en cada paso. Transcribe audio grabado, no flujos en directo.

Como el decodificador es un modelo de lenguaje, se le pueden dar instrucciones de formato (literal para una declaración, texto limpio para un mensaje dictado) y una lista de términos clave como nombres de clientes o de fármacos. La ficha del modelo indica inglés, francés, alemán, español, italiano, portugués y neerlandés, y grabaciones de hasta 30 minutos según las pruebas.

Funciona con Hugging Face Transformers o con vLLM mediante un plugin incluido en el repositorio, con un modelo borrador opcional para decodificación especulativa. Salesforce lo presenta como una pieza para empresas que quieren funciones de voz en su propia infraestructura.

¿Merece la pena Salesforce SOV-Transcribe-1?

SOV-Transcribe-1 cierra la mayor parte de la distancia entre lo que se puede descargar y lo que se puede alquilar. Artificial Analysis lo mide con un 2,3% de tasa de error de palabra, el mejor de cualquier modelo de pesos abiertos y a 0,4 puntos del Scribe v3 de pago de ElevenLabs. La cifra de la propia Salesforce es un 2,28%, frente al 2,81% de Nemotron 3.5 Transcribe de Nvidia y el 2,77% de Voxtral Small de Mistral, seis veces más grande.

Las cifras más útiles son las de las palabras que importan. En VoiceCodeBench, que comprueba correos, números de teléfono y entidades similares, quedó segundo de 23 sistemas y recuperó el 93,4% de las entidades. En llamadas de resultados con ruido, donde los modelos de voz tienden a inventar texto, obtuvo un 25,69% frente al 31,59% de Nemotron. Esas comparaciones son de Salesforce, y el informe técnico sigue marcado como de próxima aparición.

La pega: es un modelo grande para una sola tarea. Todas las pruebas de Salesforce se hicieron en una única RTX PRO 6000 Blackwell de 96 GB, y la configuración por defecto de vLLM se queda sin memoria en ella. La compatibilidad con Transformers y vLLM todavía no está integrada en esos proyectos, así que dependes de un plugin fijado a vLLM 0.32.0. No admite streaming, y la ficha advierte de que a veces repite una frase en bucle hasta el límite de tokens, por lo que las salidas necesitan un filtro de repeticiones.

Nuestra opinión: para una empresa que debe mantener el audio de las llamadas en casa, en inglés o en un gran idioma de Europa occidental, este es ahora el modelo abierto a batir. Un equipo que necesite subtítulos en directo, idiomas asiáticos o algo que quepa en un portátil debería mirar Nemotron o Parakeet.

Dónde se gana su sitio

  • El equipo de cumplimiento de un banco que graba llamadas de asesoramiento

    Transcribir cada llamada en sus instalaciones con los nombres de clientes y los números de cuenta bien escritos

    Sirve el modelo con vLLM en una GPU de 96 GB y pasa la lista de clientes de cada asesor como términos clave. Salesforce indica un rendimiento máximo de 1.039 segundos de audio por segundo.

  • Una empresa de estenotipia judicial en los Países Bajos y Bélgica

    Producir transcripciones literales en neerlandés y francés de declaraciones

    Pide salida literal con decodificación voraz, divide las grabaciones de más de 30 minutos en las pausas y pasa una comprobación de repeticiones antes de la revisión.

Antes de decidirte

Puesta en marcha
pip install transformers (5.19 a 5.22), descarga la carpeta vllm_plugin, instálala con pip y luego vllm serve salesforce-sovereign-intelligence/SOV-Transcribe-1 --max-model-len 32768; envía audio mono a 16 kHz con temperatura 0.
Integraciones
Hugging Face Transformers (trust_remote_code) y un endpoint /v1/audio/transcriptions de estilo OpenAI a través de vLLM; modelo borrador DFlash opcional para decodificación especulativa.
Datos y privacidad
Autoalojado con Apache 2.0, así que el audio se queda en tus servidores. Los datos de entrenamiento y el código completo de entrenamiento no forman parte de la publicación.
Coste a escala
Sin tarifa por minuto. Con el modelo borrador, un fragmento de 30 segundos tarda unos 0,22 s en una RTX PRO 6000 Blackwell; el coste es el tiempo de esa GPU.
Límites
Sin streaming. vLLM limita las solicitudes a 600 s por defecto; sube VLLM_MAX_AUDIO_DECODE_DURATION_S a 1800 para 30 minutos. Pon max_num_seqs a 64 para que quepa en 96 GB con el borrador cargado.

Lo bueno

  • 2,3% de error en Artificial Analysis, el mejor modelo de pesos abiertos
  • Apache 2.0, uso comercial permitido
  • Instrucciones de formato y sesgo por términos clave
  • Segundo de 23 en VoiceCodeBench para entidades

Lo malo

  • 26.600 millones de parámetros; las pruebas se hicieron en una GPU de 96 GB
  • Siete idiomas, todos europeos
  • Sin streaming; hasta 30 minutos por archivo según las pruebas
  • Plugin propio hasta que llegue el soporte en vLLM y Transformers; bucles ocasionales en la salida

Ideal para

Empresas de sectores regulados que necesitan transcripción casi comercial en inglés y en idiomas europeos en sus propias GPU.

Alternativas a Salesforce SOV-Transcribe-1

Salesforce SOV-Transcribe-1: preguntas frecuentes

¿Merece la pena Salesforce SOV-Transcribe-1?
Transcripción abierta que por fin se sitúa entre los líderes comerciales, aunque pide una GPU de 96 GB y solo habla siete idiomas. Le damos un 4.3 sobre 5.
¿Cuánto cuesta Salesforce SOV-Transcribe-1?
Gratis con licencia Apache 2.0; pagas tus propias GPU. Salesforce no ofrece precio alojado.
¿Qué inconvenientes tiene Salesforce SOV-Transcribe-1?
26.600 millones de parámetros; las pruebas se hicieron en una GPU de 96 GB; siete idiomas, todos europeos; sin streaming; hasta 30 minutos por archivo según las pruebas; plugin propio hasta que llegue el soporte en vLLM y Transformers; bucles ocasionales en la salida.
¿Para quién es Salesforce SOV-Transcribe-1?
Empresas de sectores regulados que necesitan transcripción casi comercial en inglés y en idiomas europeos en sus propias GPU.
¿Cuánto cuesta Salesforce SOV-Transcribe-1 para un equipo o en producción?
Sin tarifa por minuto. Con el modelo borrador, un fragmento de 30 segundos tarda unos 0,22 s en una RTX PRO 6000 Blackwell; el coste es el tiempo de esa GPU.
¿Es Salesforce SOV-Transcribe-1 seguro para los datos de la empresa?
Autoalojado con Apache 2.0, así que el audio se queda en tus servidores. Los datos de entrenamiento y el código completo de entrenamiento no forman parte de la publicación.
¿Cuáles son las mejores alternativas a Salesforce SOV-Transcribe-1?
Las alternativas más cercanas que hemos analizado son NVIDIA Nemotron 3.5 Transcribe, Voxtral 3 (Transcribe and TTS), Granite Speech 5.0 2B y ElevenLabs Scribe v3 and Scribe v3 Live.

Respuestas comprobadas el 21 nov 2026.

¿Desarrollas Salesforce SOV-Transcribe-1? Muestra esta nota en tu webSalesforce SOV-Transcribe-1: nota de 4.3 sobre 5 en ReviewRamble