詞錯誤率2.3%：賽富時語音模型在44款模型中排名第7、開放權重模型居首

賽富時（Salesforce，CRM）於12日（當地時間）發布語音轉錄模型SOV-Transcribe-1。該模型的英文詞錯誤率為2.3%，在當時評測的44款模型中排名第7，並在開放權重模型中排名第一。

賽富時在官方技術介紹中將SOV-Transcribe-1定位為非即時語音辨識模型。模型權重已公開於Hugging Face，使用者可下載並部署在自有基礎設施上。

Artificial Analysis的AA-WER評測使用約8小時的英文語音，涵蓋語音代理對話AA-AgentTalk、收錄歐洲議會發言的VoxPopuli，以及企業財報電話會議資料Earnings22。三組資料的權重依序為50%、25%和25%。

詞錯誤率是將AI轉錄結果與人工核對的逐字稿相比，計算漏掉、替換或新增的詞所占比例。因此，2.3%不代表在所有語言和錄音條件下，每100個詞都會錯2.3個。

SOV-Transcribe-1在Earnings22、VoxPopuli和AA-AgentTalk的詞錯誤率分別為4.1%、1.5%和1.8%。由於不同資料集的結果有所差異，僅憑綜合數值難以判斷模型在特定工作或錄音環境中的準確度。這次評測使用英文語音，並未呈現模型的韓語表現。

模型共有266億個參數，運作時啟用的參數為46億個。作為比較，Mistral AI的Voxtral Small和輝達（NVIDIA，NVDA）的Nemotron 3.5 Transcribe，在相同指標下的詞錯誤率均約為2.8%。

評測列出的處理速度指標約為60，這項數值以語音長度除以處理時間計算，不代表模型比其他模型快60倍，也不保證在實際部署環境中能達到相同性能。

賽富時將這款模型納入主權AI構想，並強調組織可自行掌控資料與AI運作，也可在自有基礎設施上執行模型。

賽富時於2025年9月推出的Missionforce，著重政府與國家安全工作中的資料控管和安全。公開權重讓機構能選擇在內部系統處理敏感語音，但僅公開權重並不代表已符合各機構的安全要求。

賽富時列出的應用情境包括客戶服務、聽打和通話紀錄處理。這次分數來自錄製英文語音的非即時評測，並不代表即時語音服務的表現。