O que é Salesforce SOV-Transcribe-1?
SOV-Transcribe-1 é um modelo de reconhecimento de fala de pesos abertos lançado pela Salesforce em 12 de novembro de 2026 sob a licença Apache 2.0. Ele junta um codificador de áudio Whisper large-v3 a um modelo de linguagem de mistura de especialistas Gemma 4 26B A4B: 26,6 bilhões de parâmetros no total, cerca de 4,6 bilhões ativos a cada passo. Ele transcreve áudio gravado, não fluxos ao vivo.
Como o decodificador é um modelo de linguagem, dá para passar instruções de formatação (literal para um depoimento, texto limpo para uma mensagem ditada) e uma lista de termos-chave, como nomes de clientes ou de remédios. A ficha do modelo lista inglês, francês, alemão, espanhol, italiano, português e holandês, e gravações de até 30 minutos nos testes.
Ele roda no Hugging Face Transformers ou no vLLM por meio de um plugin incluído no repositório, com um modelo rascunho opcional para decodificação especulativa. A Salesforce o apresenta como peça para empresas que querem recursos de voz na própria infraestrutura.
Salesforce SOV-Transcribe-1 vale a pena?
O SOV-Transcribe-1 fecha a maior parte da distância entre o que se pode baixar e o que se pode alugar. A Artificial Analysis o mede com 2,3% de taxa de erro de palavras, o melhor entre os modelos de pesos abertos e a 0,4 ponto do Scribe v3 pago da ElevenLabs. O número da própria Salesforce é 2,28%, contra 2,81% do Nemotron 3.5 Transcribe da Nvidia e 2,77% do Voxtral Small da Mistral, seis vezes maior.
Os números mais úteis são os das palavras que importam. No VoiceCodeBench, que verifica e-mails, números de telefone e entidades parecidas, ele ficou em segundo entre 23 sistemas e recuperou 93,4% das entidades. Em teleconferências de resultados com ruído, em que modelos de fala costumam inventar texto, marcou 25,69% contra 31,59% do Nemotron. Essas comparações são da Salesforce, e o relatório técnico ainda aparece como em breve.
O porém: é um modelo grande para uma única tarefa. Todos os benchmarks da Salesforce rodaram numa única RTX PRO 6000 Blackwell de 96 GB, e as configurações padrão do vLLM estouram a memória nela. O suporte no Transformers e no vLLM ainda não foi incorporado aos projetos, então você depende de um plugin fixado no vLLM 0.32.0. Não há streaming, e a ficha avisa que de vez em quando ele repete uma frase até o limite de tokens, por isso as saídas precisam de um filtro de repetição.
Nossa opinião: para uma empresa que precisa manter o áudio das chamadas dentro de casa, em inglês ou num grande idioma da Europa Ocidental, este agora é o modelo aberto a ser batido. Uma equipe que precise de legendas ao vivo, idiomas asiáticos ou algo que caiba num notebook deve olhar o Nemotron ou o Parakeet.
Onde ele se destaca
A equipe de compliance de um banco que grava ligações de assessoria
Transcrever cada ligação internamente com nomes de clientes e números de conta corretos
Sirva o modelo com vLLM numa GPU de 96 GB e passe a lista de clientes de cada assessor como termos-chave. A Salesforce relata vazão máxima de 1.039 segundos de áudio por segundo.
Uma empresa de estenotipia judicial na Holanda e na Bélgica
Produzir transcrições literais de depoimentos em holandês e francês
Peça saída literal com decodificação gulosa, divida gravações de mais de 30 minutos nas pausas e rode uma checagem de repetição antes da revisão.
Antes de decidir
- Configuração
- pip install transformers (5.19 a 5.22), baixe a pasta vllm_plugin, instale com pip e depois rode vllm serve salesforce-sovereign-intelligence/SOV-Transcribe-1 --max-model-len 32768; envie áudio mono de 16 kHz com temperatura 0.
- Integrações
- Hugging Face Transformers (trust_remote_code) e um endpoint /v1/audio/transcriptions no estilo OpenAI via vLLM; modelo rascunho DFlash opcional para decodificação especulativa.
- Dados e privacidade
- Auto-hospedado sob Apache 2.0, então o áudio fica nos seus servidores. Dados de treinamento e código completo de treinamento não fazem parte do lançamento.
- Custo em escala
- Sem tarifa por minuto. Com o modelo rascunho, um trecho de 30 segundos leva cerca de 0,22 s numa RTX PRO 6000 Blackwell; o custo é o tempo dessa GPU.
- Limites
- Sem streaming. O vLLM limita requisições a 600 s por padrão; aumente VLLM_MAX_AUDIO_DECODE_DURATION_S para 1800 para 30 minutos. Defina max_num_seqs como 64 para caber em 96 GB com o rascunho carregado.
O que é bom
- 2,3% de erro na Artificial Analysis, o melhor modelo de pesos abertos
- Apache 2.0, uso comercial permitido
- Instruções de formatação e reforço de termos-chave
- Segundo entre 23 no VoiceCodeBench para entidades
O que não é
- 26,6 bilhões de parâmetros; benchmarks rodaram numa GPU de 96 GB
- Sete idiomas, todos europeus
- Sem streaming; até 30 minutos por arquivo nos testes
- Plugin próprio até chegar o suporte no vLLM e no Transformers; loops raros na saída
Ideal para
Empresas de setores regulados que precisam de transcrição quase comercial em inglês e idiomas europeus nas próprias GPUs.
Alternativas ao Salesforce SOV-Transcribe-1
Salesforce SOV-Transcribe-1: perguntas frequentes
- Salesforce SOV-Transcribe-1 vale a pena?
- Transcrição aberta que finalmente fica entre os líderes comerciais, embora exija uma GPU de 96 GB e fale só sete idiomas. Damos nota 4.3 de 5.
- Quanto custa Salesforce SOV-Transcribe-1?
- Grátis sob Apache 2.0; você paga pelas próprias GPUs. Sem preço hospedado da Salesforce.
- Quais são as desvantagens de Salesforce SOV-Transcribe-1?
- 26,6 bilhões de parâmetros; benchmarks rodaram numa GPU de 96 GB; sete idiomas, todos europeus; sem streaming; até 30 minutos por arquivo nos testes; plugin próprio até chegar o suporte no vLLM e no Transformers; loops raros na saída.
- Para quem Salesforce SOV-Transcribe-1 é indicado?
- Empresas de setores regulados que precisam de transcrição quase comercial em inglês e idiomas europeus nas próprias GPUs.
- Quanto custa Salesforce SOV-Transcribe-1 para uma equipe ou em produção?
- Sem tarifa por minuto. Com o modelo rascunho, um trecho de 30 segundos leva cerca de 0,22 s numa RTX PRO 6000 Blackwell; o custo é o tempo dessa GPU.
- Salesforce SOV-Transcribe-1 é seguro para dados da empresa?
- Auto-hospedado sob Apache 2.0, então o áudio fica nos seus servidores. Dados de treinamento e código completo de treinamento não fazem parte do lançamento.
- Quais são as melhores alternativas ao Salesforce SOV-Transcribe-1?
- As alternativas mais próximas que analisamos são NVIDIA Nemotron 3.5 Transcribe, Voxtral 3 (Transcribe and TTS), Granite Speech 5.0 2B e ElevenLabs Scribe v3 and Scribe v3 Live.
Respostas verificadas em 21 de nov. de 2026.