Salesforce представи SOV-Transcribe-1 на 12 ноември 2026 г. Това е модел с отворени тегла за non-streaming разпознаване на реч: получава записано аудио и връща текст. Допълнителните инструкции могат да задават стил на изписване, а контекстът — имена и специализирани термини. Компанията публикува модела с Apache 2.0 лиценз.

Контрол върху текста, с ясни граници

Съществената идея е транскрипцията да се настройва за конкретна задача. Дословен запис и редактиран текст за четене имат различни цели. Salesforce позволява указания за този избор и за форматирането. Това не прави резултата резюме на разговора и не гарантира вярно разпознаване на всяко име или число.

Компанията заявява първо място сред моделите с отворени тегла в non-streaming класацията на Artificial Analysis и седмо общо, към 12 ноември. Това е датирано твърдение на издателя, а не независимо измерване от SIExpo или гаранция за всеки език, микрофон и тип разговор.

Какво уточнява техническата карта

В съобщението размерът е закръглен до 26 милиарда общи и 4 милиарда активни параметри. Картата дава по-точни стойности: 26,6 милиарда общо и 4,6 милиарда активни, включително аудио енкодера. Активният брой не означава, че цялата система заема памет само колкото малък модел със същия брой параметри.

Описани са вход 16 kHz mono и тествани записи до 30 минути. Поддържаните езици са английски, френски, немски, испански, италиански, португалски и нидерландски. Българският не е в този списък. Наличието на многоезична архитектура само по себе си не е доказателство за надеждна българска транскрипция.

Картата описва Transformers и vLLM, като част от интеграцията още се въвежда upstream. Има отделен DFlash модел за speculative decoding. Той е помощен компонент за изпълнението, а не второ независимо потвърждение на точността. Отворените тегла също не означават готова управлявана услуга без инфраструктурна работа.

Как да се оценява полезността

Документацията на Hugging Face разглежда ASR като преобразуване на реч в текст и използва word error rate за оценка. Общата грешка по думи е полезна, но конкретно приложение може да зависи от една-единствена цифра. Затова редакционният ни прочит е да се проверяват отделно ключовите полета, а не само дали абзацът звучи гладко.

Например за техническа диктовка разумна тестова извадка би съдържала сходно звучащи термини, пунктуация и номера. Едни и същи записи трябва да се сравнят при дословен и изгладен режим. Ако редакцията премахва колебания, е важно да не променя фактическото съдържание. Това е предложен тестов план; не сме изпълнявали модела или измервали такъв резултат.

Публикацията разширява избора за екипи, които искат да управляват собствен процес за транскрипция. Решението за внедряване обаче трябва да стъпи върху реалния език, допустимите грешки, ресурсите и проверката на изхода, а не върху един общ резултат в класация.

Решението за внедряване трябва да различава формата от точността на разпознаването. Добре структуриран текст пак може да съдържа грешен термин. Запазването на съответния аудио сегмент за проверка може да улесни диагностиката, ако собствените правила за данните на приложението го позволяват.

Корицата е AI илюстрация.

Редакционна проверка: 2026-11-14T07:32:28.965785+00:00.