Artificial Analysis: SOV-Transcribe-1 от Salesforce — лучшая модель преобразования речи в текст с открытыми весами, показатель ошибок на словах — 2,3%

По данным Artificial Analysis, новая модель преобразования речи в текст с открытыми весами SOV-Transcribe-1 от команды Missionforce Sovereign AI компании Salesforce набрала 2,3% по индексу AA-WER. Это первое место среди моделей с открытыми весами и седьмое из 44 моделей в целом, включая модели с закрытыми весами. Веса доступны на Hugging Face.

• В сравнении с другими открытыми моделями: следующие две модели, Voxtral Small от Mistral и Nemotron 3.5 Transcribe от NVIDIA, набрали по 2,8%.
• Размер: у модели 4,6 млрд активных параметров (всего — 26,6 млрд). Artificial Analysis отмечает, что активных параметров примерно в 5 раз меньше, чем у Voxtral Small (24 млрд), и примерно столько же, сколько у Nemotron 3.5 Transcribe (4 млрд).
• По наборам данных: среди моделей с открытыми весами она лидирует на записях звонков о доходах Earnings22 (4,1% против 4,8% у Voxtral Small) и немного опережает конкурентов на парламентских выступлениях VoxPopuli (1,5% против 1,8%). На AA-AgentTalk — наборе диалогов с голосовыми агентами от Artificial Analysis — она набрала 1,8%, столько же, сколько Nemotron 3.5 Transcribe.
• Скорость: на хостируемом Salesforce эндпоинте показатель Speed Factor достигает 60x: минута аудио транскрибируется примерно за одну секунду.

Рейтинг и цифры — результаты собственных измерений Artificial Analysis.