Salesforce SOV-Transcribe-1とは?
SOV-Transcribe-1は、Salesforceが2026年11月12日にApache 2.0ライセンスで公開したオープンウェイトの音声認識モデルです。Whisper large-v3の音声エンコーダーに、Mixture-of-Expertsの言語モデルGemma 4 26B A4Bを組み合わせており、パラメーターは合計266億、各ステップで約46億がアクティブになります。対象は録音済み音声で、ライブストリームには対応しません。
デコーダーが言語モデルなので、整形の指示(証言録取には逐語、口述メッセージには整えたテキスト)や、顧客名や薬品名などのキーワードのリストを与えられます。モデルカードには英語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語、オランダ語が記載され、テストでは最長30分の録音を扱っています。
Hugging Face Transformersか、リポジトリに同梱のプラグインを使ってvLLMで動作し、投機的デコーディング用のドラフトモデルも任意で使えます。Salesforceは、自社インフラで音声機能を持ちたい企業向けの部品と位置づけています。
Salesforce SOV-Transcribe-1は使う価値があるか?
SOV-Transcribe-1は、ダウンロードできるモデルと借りるしかないモデルの差をほぼ埋めました。Artificial Analysisの測定では単語誤り率2.3%で、オープンウェイトモデルとし て最良、ElevenLabsの有料モデルScribe v3との差は0.4ポイントです。Salesforce自身の数字は2.28%で、NvidiaのNemotron 3.5 Transcribeの2.81%、6倍大きいMistralのVoxtral Smallの2.77%を下回ります。
より役立つのは、重要な語に関する数字です。メールアドレスや電話番号などのエンティティを確認するVoiceCodeBenchでは23システム中2位で、エンティティの93.4%を正しく取り出しました。音声モデルがテキストをでっち上げがちな雑音の多い決算説明会では、Nemotronの31.59%に対して25.69%でした。これらはSalesforceによる比較で、技術レポートはまだ「近日公開」のままです。
注意点:1つの用途にしては大きなモデルです。Salesforceのベンチマークはすべて96 GBのRTX PRO 6000 Blackwell 1基で実行されており、vLLMの初期設定ではそこでメモリが足りなくなります。TransformersとvLLMへの対応はまだ本体に取り込まれておらず、vLLM 0.32.0に固定されたプラグインに頼ることになります。ストリーミングはできず、モデルカードはまれに同じフレーズをトークン上限まで繰り返すと警告しているため、出力には繰り返しのフィルターが必要です。
結論:通話音声を社内にとどめる必要があり、英語か西欧の主要言語を扱う企業にとって、いま基準となるオープンモデルです。ライブ字幕、アジアの言語、ノートPCで動くサイズが必要なチームは、NemotronかParakeetを検討してください。
真価を発揮する場面
相談の通話を録音する銀行のコンプライアンスチーム
顧客名と口座番号を正しく、すべての通話を社内で文字起こしする
96 GBのGPU 1基でvLLMを使ってモデルを提供し、担当者ごとの顧客リストをキーワードとして渡します。Salesforceによると最大スループットは1秒あたり1,039秒分の音声です。
オランダとベルギーの法廷速記会社
証言録取のオランダ語とフランス語の逐語記録を作る
貪欲デコーディングで逐語の出力を指定し、30分を超える録音は間の部分で分割し、レビューの前に繰り返しチェックをかけます。
導入前に確認すること
- 導入
- pip install transformers(5.19〜5.22)を実行し、vllm_pluginフォルダーをダウンロードしてpipでインストールしたあと、vllm serve salesforce-sovereign-intelligence/SOV-Transcribe-1 --max-model-len 32768を実行します。音声は16 kHzモノラル、temperatureは0で送ります。
- 連携
- Hugging Face Transformers(trust_remote_code)と、vLLM経由のOpenAI形式の/v1/audio/transcriptionsエンドポイント。投機的デコーディング用にDFlashドラフトモデルを任意で使えます。
- データとプライバシー
- Apache 2.0でのセルフホストなので、音声は自社サーバーにとどまります。学習データと学習コードの全体は公開対象に含まれていません。
- 大規模利用時のコスト
- 分単位の料金はありません。ドラフトモデルを使うと、RTX PRO 6000 Blackwell 1基で30秒のクリップを約0.22秒で処理します。費用はそのGPUの使用時間です。
- 制限
- ストリーミング不可。vLLMは初期設定でリクエストを600秒に制限するため、30分にはVLLM_MAX_AUDIO_DECODE_DURATION_Sを1800に上げます。ドラフトを読み込んだまま96 GBに収めるにはmax_num_seqsを64にします。
良い点
- Artificial Analysisで誤り率2.3%、オープンウェイトモデルで最良
- Apache 2.0で商用利用可
- 整形の指示とキーワードによる補正
- VoiceCodeBenchのエンティティ認識で23システム中2位
気になる点
- パラメーター266億。ベンチマークは96 GBのGPUで実行
- 7言語のみで、すべて欧州言語
- ストリーミング不可。テスト済みは1ファイル最長30分
- vLLMとTransformersが対応するまで独自プラグインが必要。まれに出力がループ
おすすめの人
英語と欧州言語で商用に近い文字起こしを自社のGPUで行う必要がある、規制業種の企業。
Salesforce SOV-Transcribe-1の代替
Salesforce SOV-Transcribe-1:よくある質問
- Salesforce SOV-Transcribe-1は使う価値があるか?
- オープンな文字起こしがついに商用のトップ層に並びました。ただし96 GBのGPUが必要で、対応言語は7つだけです。 評価は5点満点中4.3点です。
- Salesforce SOV-Transcribe-1の料金は?
- Apache 2.0で無料です。費用は自前のGPU代です。Salesforceによるホスト型の料金は ありません。
- Salesforce SOV-Transcribe-1の欠点は?
- パラメーター266億。ベンチマークは96 GBのGPUで実行; 7言語のみで、すべて欧州言語; ストリーミング不可。テスト済みは1ファイル最長30分; vLLMとTransformersが対応するまで独自プラグインが必要。まれに出力がループ.
- Salesforce SOV-Transcribe-1は誰に向いているか?
- 英語と欧州言語で商用に近い文字起こしを自社のGPUで行う必要がある、規制業種の企業。
- チームや本番環境でSalesforce SOV-Transcribe-1を使うと費用はいくらか?
- 分単位の料金はありません。ドラフトモデルを使うと、RTX PRO 6000 Blackwell 1基で30秒のクリップを約0.22秒で処理します。費用はそのGPUの使用時間です。
- Salesforce SOV-Transcribe-1は企業データを扱っても安全か?
- Apache 2.0でのセルフホストなので、音声は自社サーバーにとどまります。学習データと学習コードの全体は公開対象に含まれていません。
- Salesforce SOV-Transcribe-1の代わりになるものは?
- 当サイトでレビューした中で最も近い代替はNVIDIA Nemotron 3.5 Transcribe, Voxtral 3 (Transcribe and TTS), Granite Speech 5.0 2B 、 ElevenLabs Scribe v3 and Scribe v3 Liveです。
回答確認日:2026年11月21日