Artificial Analysis: SOV-Transcribe-1 od Salesforce to najlepszy otwarty model do transkrypcji mowy, z błędem słownym na poziomie 2,3%

Według Artificial Analysis SOV-Transcribe-1, nowy otwarty model do transkrypcji mowy zespołu Missionforce Sovereign AI z Salesforce, uzyskał wynik 2,3% w indeksie AA-WER. To 1. miejsce wśród modeli z otwartymi wagami i 7. wśród 44 modeli ogółem, także własnościowych. Wagi są dostępne na Hugging Face.

• Na tle innych otwartych modeli: dwa kolejne, Voxtral Small od Mistral i Nemotron 3.5 Transcribe od NVIDIA, uzyskały po 2,8%.
• Rozmiar: model ma 4,6 mld aktywnych parametrów (łącznie 26,6 mld). Artificial Analysis zauważa, że to około 5 razy mniej aktywnych parametrów niż w Voxtral Small (24 mld) i wynik zbliżony do Nemotron 3.5 Transcribe (4 mld).
• Według zbioru danych: model jest liderem wśród modeli z otwartymi wagami na zbiorze rozmów telefonicznych Earnings22 (4,1% wobec 4,8% dla Voxtral Small) i nieznacznie wyprzedza konkurenta na zbiorze przemówień parlamentarnych VoxPopuli (1,5% wobec 1,8%). Na AA-AgentTalk, zbiorze rozmów z agentami głosowymi opracowanym przez Artificial Analysis, uzyskał 1,8% — tyle samo co Nemotron 3.5 Transcribe.
• Szybkość: na hostowanym przez Salesforce punkcie końcowym osiąga współczynnik szybkości 60x, czyli transkrybuje minutę nagrania w około sekundę.

Ranking i wyniki pochodzą z własnych pomiarów Artificial Analysis.