К содержимому
Аудио

SOV-Transcribe-1

управляемая расшифровка речи от Salesforce

2 мин чтенияобновлено

Новая open-weight модель от Salesforce для нестримингового автоматического распознавания речи (ASR). В её основе лежит связка аудиоэнкодера Whisper large-v3 и языковой модели Gemma 4 26B A4B с архитектурой MoE (Mixture-of-Experts — из 26,6 млрд параметров при генерации активно только 4,6 млрд). Главное отличие от обычных распознавателей речи — возможность управлять результатом через текстовые промпты: модель умеет делать как дословную расшифровку, так и аккуратный редактированный текст с нужной пунктуацией и форматом чисел, а также опираться на переданный словарь терминов. Подойдёт разработчикам голосовых сервисов, систем диктовки и корпоративных решений, которым важен локальный деплой и контроль над данными.

Ключевые особенности

  • Точное распознавание сущностей: уверенно извлекает имена, номера телефонов и адреса электронной почты.
  • Устойчивость к шумам и акцентам: стабильно работает с разными акцентами английского языка и фоновым шумом.
  • Гибкое управление стилем: с помощью инструкций на естественном языке можно выбрать дословную (verbatim) или литературную расшифровку, настроить заглавные буквы и формат чисел.
  • Контекстные подсказки (context biasing): можно передать список имён, профильную терминологию или краткое описание темы разговора для точного распознавания сложных слов.
  • Ускорение через speculative decoding: поддерживается отдельная черновая модель SOV-Transcribe-1-DFlash, ускоряющая генерацию одиночных запросов в 2–3 раза.

Что можно сделать

  • Встроить в сервисы диктовки и голосовых ассистентов, где критично без ошибок записывать контакты, email и имена.
  • Использовать для расшифровки рабочих созвонов и интервью длиной до 30 минут с передачей глоссария узкоспециальных терминов.
  • Развернуть локально как OpenAI-совместимый API-сервер через vLLM для корпоративной транскрибации без отправки аудио в облако.

Пример

import librosa
from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "salesforce-sovereign-intelligence/SOV-Transcribe-1"
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForMultimodalLM.from_pretrained(model_id, trust_remote_code=True, device_map="auto")
audio = [librosa.load("meeting.wav", sr=16000, mono=True)[0]]
inputs = processor.apply_transcription_request(audio).to(model.device, dtype=model.dtype)
ПодробнееБенчмарки: #1 среди open-weight моделей для нестримингового speech-to-text на Artificial Analysis (#7 в общем зачёте) и #2 из 23 систем на VoiceCodeBench по точности сущностей (на 12 ноября 2026).
Параметры и формат: 26,6B всего (4,6B активных), точность BF16 (MoE-роутер в FP32), аудио 16 кГц длительностью до 30 минут.
Языки: английский, французский, немецкий, испанский, итальянский, португальский и нидерландский (русского нет).
Запуск и лицензия: transformers (версии >=5.19,<5.23) или vLLM 0.32.0 через плагин из репозитория; лицензия Apache 2.0.
Примеры
Обсудить Telegram 31 6

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 50 GB · готовые файлы55 GB
  • FP8 / INT8рекомендуемвеса 25 GB28 GB
  • 4-bitвеса 14 GB16 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # salesforce-sovereign-intelligence/SOV-Transcribe-1
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download salesforce-sovereign-intelligence/SOV-Transcribe-1 --local-dir ~/models/SOV-Transcribe-1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к SOV-Transcribe-1
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

google/gemma-4-26B-A4B-it
  1. gemma-4-26B-A4Bоснова семьи
  2. gemma-4-26B-A4B-it
  3. SOV-Transcribe-1

Новые посты про версии gemma-4-26B-A4B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
Слияния 5Все на Hugging Face

О модели

salesforce-sovereign-intelligence/SOV-Transcribe-1
Автор
salesforce-sovereign-intelligence
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

631

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии