セールスフォース、音声認識AIを公開 オープン型で精度首位
米セールスフォースは11月12日、録音音声を7言語で文字起こしするオープンウェイトの音声認識モデル「SOV-Transcribe-1」をApache 2.0で公開した。アーティフィシャル・アナリシスはオープンウェイト16モデルで最も精度が高い(AA-WER 2.3%)と評価した。リアルタイム処理には対応しない。
米セールスフォースは現地時間11月12日、企業が自社サーバーで動かせるオープンウェイトの音声認識(文字起こし)モデル「SOV-Transcribe-1」を公開した。独立系ベンチマーク企業のアーティフィシャル・アナリシス(Artificial Analysis)は、非ストリーミング部門のオープンウェイトモデルで最も精度が高いモデルに位置付けた。単語誤り率は2.3%である。

ポイント
- Apache 2.0ライセンスで無償公開され、最長30分の録音音声を7言語で文字起こしする。
- アーティフィシャル・アナリシスの評価ではオープンウェイト16モデル中1位(AA-WER 2.3%)で、ミストラルのVoxtral Small、エヌビディアのNemotron 3.5 Transcribe(いずれも2.8%)を上回った。
- リアルタイムのストリーミングには対応せず、セールスフォース独自のベンチマークを裏付ける技術報告書もまだ出ていない。
SOV-Transcribe-1とはどんなモデルか
セールスフォースのソブリン・インテリジェンス部門は、このモデルを「音声拡張言語モデル」と呼ぶ。Hugging Faceのモデルカードによると、Whisper large-v3の音声エンコーダーに、グーグルの混合エキスパート(MoE)型言語モデル「Gemma 4 26B A4B」を組み合わせた構成だ。
総パラメーター数は266億、音声エンコーダーを含めて一度に動くパラメーターは46億である。対応言語は英語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語、オランダ語の7言語で、日本語は含まれていない。
名称の「ソブリン(主権)」はデータの管理権を指す。重みが公開されているため、企業は通話録音を外部APIに送らず、自社で運用する基盤の中で処理できる。
文字起こし精度、ベンチマークの結果は
11月15日に確認したアーティフィシャル・アナリシスのランキングで、SOV-Transcribe-1はAA-WER(誤って書き起こした単語の割合)2.3%でオープンウェイトモデルの首位に立つ。セールスフォースは全システムでは7位だとしている。ランキングには65モデルが並び、全体の首位はアリババクラウドのFun-Realtime-ASR-preview(1.7%)だ。
セールスフォースは発表記事で自社測定の結果も示した。14種類の英語アクセントを含むAppTekのコールセンター対話では平均誤り率8.21%で、8種類のアクセントで最も低い誤り率だったという。電話番号やメールアドレス、コード記号を問うVoiceCodeBenchでは重要項目の93.4%を正しく認識し、23システム中2位だったとしている。
雑音の多い決算説明会の音声で構成するHALASでは誤り率25.69%で、アリババのQwen3-ASR 1.7B(26.01%)やエヌビディアのNemotron 3.5 Transcribe(31.59%)を下回ったという。
指示文と用語リストで出力を調整
既定では聞こえたとおりに書き起こすが、「数字は算用数字で」「言いよどみは削除」といった自然言語の指示に従う。人名や専門用語のリストを事前に与えることもできる。セールスフォースによると、決算説明会の音声断片を使った試験で該当区間のキーワードを与えると、キーワードの精度(F1)は71.9から96.8に上がった。
速度もセールスフォースの測定値である。エヌビディアのRTX PRO 6000 Blackwell GPU1基で毎秒最大1039秒分の音声を処理し、30秒の録音の書き起こしを0.22秒で返すという。
背景:有料モデルとの差は縮小
今回の公開は、エヌビディアが10月28日にオープンモデルのNemotron 3.5 Transcribeを、イレブンラボが11月10日に有料モデルのScribe v3を投入したのに続くものだ。アーティフィシャル・アナリシスはScribe v3を1.9%と集計している。この指標では、最上位のオープンモデルと全体2位のシステムとの差は0.5ポイントに満たない。
今後の見通し
セールスフォースは技術報告書を「近く」公開し、vLLMとHugging Face Transformersへの正式対応を進めているとした。それまでは、リポジトリに収められたプラグインとコードを使う必要がある。モデルカードは、まれに同じ語句を繰り返す現象が起きうるとして後処理を勧めている。
よくある質問
リアルタイムの通話字幕に使えるか。 使えない。録音ファイル向けの非ストリーミングモデルで、セールスフォースの試験では1ファイル最長30分まで処理できる。
商用で無償利用できるか。 できる。商用利用を認めるApache 2.0ライセンスで公開されている。
精度の数値は第三者が検証したものか。 一部のみである。AA-WER 2.3%はアーティフィシャル・アナリシスの測定値で、コールセンター、VoiceCodeBench、HALASの結果はセールスフォース自身の数値だ。
参考資料
- Introducing Salesforce SOV-Transcribe-1: #1 Open-Weight Model Built for Real-World Speech — セールスフォース、Hugging Faceブログ(2026年11月12日)
- salesforce-sovereign-intelligence/SOV-Transcribe-1 — Hugging Faceモデルカード
- Speech to Text (ASR) Providers Leaderboard & Comparison — アーティフィシャル・アナリシス(2026年11月15日確認)
コメント 0
現在コメントの投稿は無効になっています。