Artificial Analysis：SalesforceのSOV-Transcribe-1、単語誤り率2.3%でオープンウェイト音声認識モデルの首位に

Artificial Analysisによると、SalesforceのMissionforce Sovereign AIチームが開発した新しいオープンウェイト音声認識モデルSOV-Transcribe-1は、AA-WER Indexで2.3%を記録しました。オープンウェイトモデルでは1位、独自モデルも含む全44モデル中では7位です。ウェイトはHugging Faceで公開されています。

• 他のオープンモデルとの比較： 次点の2モデル、MistralのVoxtral SmallとNVIDIAのNemotron 3.5 Transcribeは、どちらも2.8%です。
• 規模： モデルのアクティブパラメーター数は46億（総数266億）です。Artificial Analysisによると、これはVoxtral Small（240億）の約5分の1で、Nemotron 3.5 Transcribe（40億）に近い数です。
• データセット別： Earnings22の決算説明会音声ではオープンウェイトモデル中の首位（Voxtral Smallの4.8%に対して4.1%）で、議会演説を収録したVoxPopuliでもわずかに上回っています（1.8%に対して1.5%）。Artificial Analysisの音声エージェント会話データセットAA-AgentTalkでは1.8%で、Nemotron 3.5 Transcribeと同率です。
• 速度： Salesforceのホスト型エンドポイントではSpeed Factor 60倍に達し、1分の音声を約1秒で文字起こしできます。

順位と数値は、Artificial Analysis独自の測定結果です。