SOV-Transcribe-1: modelo de voz de Salesforce con 26.600 millones de parámetros

Fuentes: SOV-Transcribe-1: Salesforce's 26.6B parameter open-weight speech model

Salesforce ha lanzado SOV-Transcribe-1, un modelo de lenguaje de voz de pesos abiertos diseñado para el reconocimiento automático de voz (ASR) no en streaming. Con 26.600 millones de parámetros totales (4.600 millones activos), el sistema combina la precisión de transcripción en inglés con soporte multilingüe y un control natural del estilo de la transcripción. El modelo destaca por su capacidad para reconocer entidades específicas, como nombres y números de teléfono, y por su robustez ante acentos y ruido de fondo. En las pruebas de Artificial Analysis, ocupa el primer puesto entre modelos de pesos abiertos para ASR no en streaming, y se posiciona en segundo lugar en VoiceCodeBench para la precisión de entidades. La arquitectura combina un codificador de audio Whisper large-v3, un proyector de audio y el modelo MoE Gemma 4 26B A4B. SOV-Transcribe-1 permite a los desarrolladores desplegar el modelo en infraestructura propia, manteniendo el control sobre los datos de audio. El soporte nativo para vLLM y Hugging Face Transformers está en proceso de integración, con un plugin para vLLM 0.32.0 disponible en el repositorio. El modelo soporta hasta 30 minutos de audio a 16 kHz y opera en siete idiomas, incluyendo inglés, francés, alemán, español, italiano, portugués y neerlandés. La licencia es Apache 2.0, lo que facilita su uso en entornos empresariales y de investigación.