SOV-Transcribe-1 開放權重:英文轉寫、專有名詞提示與七語支援怎麼用?
Salesforce 開放 SOV-Transcribe-1 權重,支援七語非串流轉寫與專有名詞提示。看懂官方錯字率、中文限制、長錄音處理與部署條件。
語音逐字稿最容易讓工作卡住的地方,往往是一個人名、產品代號或電話號碼。即使大部分句子都通順,關鍵字聽錯,後續整理客服紀錄或搜尋會議內容仍得回頭重聽。
Salesforce 在 2026 年 11 月 12 日公開 SOV-Transcribe-1 模型權重,讓開發者把錄音轉成文字,也能用文字提示調整逐字或整理後的寫法。權重採 Apache 2.0 授權,可自行評估部署。
這次更新值得注意的原因,是模型允許提供領域名稱與專有名詞,幫助它辨認錄音中容易混淆的詞。對有固定產品清單的英文客服或企業會議,這比只看一般聽寫分數更貼近需求。
但它公布的七種語言沒有中文,而且工作方式是收到錄音後轉寫。需要台灣華語逐字稿、說話同時顯示字幕,或完整語音對話的團隊,仍得另外找符合條件的系統。
官方引用的排行榜也各有測試範圍:一般英文聽寫的錯字率,和電話、姓名等關鍵資訊是否全部寫對,回答的是不同問題。我會先用團隊自己的錄音比較這兩件事,再決定是否投入部署。
要做這個比較,得先弄清楚 SOV-Transcribe-1 接受什麼輸入、交付什麼結果,以及提示詞可以改變哪一部分。
先確認錄音語言與轉寫方式,再決定能否採用
SOV-Transcribe-1 接受錄音和可選的文字指示,輸出的是逐字稿文字。這類工作稱為自動語音辨識,常見用途包括會議紀錄、電話內容搜尋,以及把口述資料轉成可整理的文字。
依 Salesforce 官方模型卡,支援語言包括英文、法文、德文、西班牙文、義大利文、葡萄牙文與荷蘭文。
清單沒有中文,因此繁中內容的團隊應先確認語言條件。
例如台灣公司若有英文海外客服錄音,可以把它列入試跑清單。同一家公司若要處理台語、華語混雜的內部討論,就不能從英文排名直接推估結果。錄音來自台灣,和模型支援錄音裡的語言,是兩回事。
它採非串流方式處理,代表輸入是一份錄音,再產生對應文字。若產品要求使用者說話時持續顯示低延遲字幕,還得評估另一種串流系統,無法只靠同一個聽寫分數完成選型。
模型卡列出的已測試音訊長度最長為三十分鐘,預處理使用十六千赫茲單聲道。這個長度是官方測試範圍,團隊若有更長檔案,應安排分段與結果串接,並核對段落交界是否漏字。
模型也不會因為輸出了一篇流暢文字,就自動完成會議摘要、說話者辨識和任務分派。逐字稿是後續工作的輸入,這些額外需求需要各自的流程與品質檢查。
因此,中文或即時字幕需求要先在選型階段排除,才不會把部署工作做完後才發現任務不同。

提示詞能調整格式,也能協助辨認專有名詞
轉寫格式與聽到哪一個詞,是提示詞介入的兩個層次。格式控制讓模型知道是否保留語助詞、重複和口吃,以及數字、大小寫與標點應如何呈現。
如果目的是核對原始對話,逐字保留通常較方便追查。若是整理口述備忘錄,使用者可能希望刪除無意義的重複。兩份結果用途不同,評估前先確定標準,才不會把正常的格式差異全算成錯字。
另一層是提供人名、公司名稱、產品代號或主題說明。錄音裡相近的發音可能對應多個寫法,相關詞彙清單能縮小模型猜測的範圍,尤其適合有固定術語的工作。
以示範情境來說,企業可先提供本次會議會提到的產品名稱,再請模型轉寫錄音。這些詞必須來自實際業務資料,不能在看過正確答案後,才替每段測試音訊挑出剛好會出現的字。
因為後一種做法會讓測試條件過於理想。正式服務通常事前不知道每段錄音一定說什麼,若只用事後整理的精準提示做評估,導入後容易發現實際改善較小。
官方發布文章以財報電話會議資料中的十五秒片段測試關鍵詞,公布關鍵詞 F1 分數從沒有上下文時的 71.9,提升至理想提示條件下的 96.8。
F1 同時考量該抓到的關鍵詞有沒有抓到,以及寫出來的關鍵詞有沒有寫對。它專門衡量詞彙辨識,和整段逐字稿每個字都正確的比例不同,不能直接拿來當整體聽寫準確率。
當提示改成一小時會議的完整詞彙清單,裡面包含片段沒有說到的詞,官方公布的分數為 94.0。這個差距說明提示清單的相關程度會影響結果,也提供較接近實際資料量的比較方向。
我會建議先準備必要的名稱與少量背景,避免把整本產品目錄都塞入提示。清單越長,越需要確認模型有沒有把沒有說出的詞也寫進來。格式整理後看似通順,也應回頭核對重要名稱。
準備提示清單時,也應保留一組沒有提示的結果,才看得出改善來自哪裡。
讀懂兩組排行榜,才知道分數能回答什麼
一般錯字率適合觀察整體聽寫,關鍵資訊指標則更接近能否完成後續工作。一段通話即使只錯一個數字,也可能讓查詢對應不到訂單,所以選型不能只保留總分。
Salesforce 在十一月十二日引用 Artificial Analysis 的英文語音轉寫結果,列出 2.28% 的單字錯誤率。當時排名是非串流開放權重模型第一、整體第七,範圍與日期都應一起保留。
單字錯誤率會計入替換、刪除與插入的字詞,數字越低越好。但不同資料集的錄音、口音和評分規則會影響數值,不能把 2.28% 套到每一份錄音,也不宜倒算成所有工作都有同樣的正確率。
官方另外公布 VoiceCodeBench 的測試結果,重點是姓名、電子郵件、電話等資訊能否寫對。這更接近語音表單或客服紀錄是否能繼續使用,而非一般文章讀起來是否順暢。
其中,任務成功率為 76.3%,要求一段錄音內的目標資訊全部正確。個別目標資訊的精確比對分數為 93.4%。同一段錄音只要有一個目標錯誤,就可能拉低前者,但不會讓所有其他正確資訊一併消失。
依官方當日列出的私有排行榜,模型是開放權重第一、二十三個系統中的第二。這些都是發布方引用的結果,我們未自行重跑該私有測試,也無法把它擴大成所有語音工作都排名第一。
不同難度的資料也會改變表現。官方在較容易引發幻覺的電話會議錄音測試中,列出的單字錯誤率為 25.69%。它與一般英文榜的數字放在一起,能提醒讀者錄音條件的重要性。
另外,官方在轉寫風格控制評測列出 5.05% 的錯字率,同表的 IBM 結果為 4.70%。模型的優勢並沒有涵蓋每一個指標,若你的工作特別重視整理後的寫法,這一項也應加入比較。
官方另外使用十四種英文口音資料比較表現,平均單字錯誤率為 8.21%。這仍是英文口音測試,不能據此宣稱模型已支援台灣華語,但能提醒團隊把實際說話者的發音納入樣本。
例如客服主要服務非英語母語者,就應保留這類通話,而非全用清晰的美式英文錄音。若測試集與正式來電差太遠,即使平均排名較好,也可能無法減少現場修訂。
企業自己的驗收可以同時記錄全文錯字、關鍵資訊錯誤,以及人工修訂所花時間。若姓名改善很多、其他段落卻多出內容,就需要回頭檢查提示與音訊,而不能只挑較好看的數字報告。
把測試資料的語言、噪音與計分方法一起保留,才有條件和團隊現用系統公平比較。
自行部署的成本,還包括框架版本與長錄音處理
開放權重讓企業能安排自己的資料路徑,也把維運責任交回部署團隊。模型要在哪裡運行、錄音存多久、誰能讀到逐字稿,都需要應用程式與基礎設施配合。
模型卡列出包含音訊編碼器的總參數為二百六十六億,每次啟用約四十六億。啟用參數是一次運算會使用的部分,部署時仍須考量完整權重及其他記憶體需求,不能用較小的啟用數字估算所有硬體成本。
Apache 2.0 提供權重使用與修改的授權條件,但企業仍應檢查實際取得的檔案與附帶條款。錄音的取得與保存,也要遵守自己對當事人的承諾。模型授權不會替企業處理資料使用許可。
截至十一月十三日查詢,官方表示 vLLM 與 Transformers 的原生支援仍在整合中。當下可依指定外掛支援 vLLM 0.32.0,或使用模型倉庫提供的 Transformers 程式碼,不能假設任何已安裝版本都能直接跑。
模型卡的載入範例允許執行遠端模型程式碼,部署團隊應先審查來源與版本,再在可控環境試跑。若環境禁止這種載入方式,官方也提供自包含函式作為另一條實作路徑。
官方另有 DFlash 草稿模型,用較快的候選生成協助主模型解碼。它有自己的權重與設定,適合另外測量速度。公開準確率重現流程則關閉這個加速,因此兩種條件要分開記錄。
若用伺服器介面處理長錄音,還要確認端點的預設解碼長度。官方範例說明預設上限為六百秒,也就是十分鐘。要支援三十分鐘,需相應調高設定,不能只看模型長度就認為介面已放行。
長錄音也可能遇到輸出長度不足或罕見重複迴圈。官方建議留足輸出額度、必要時依說話邊界切分,並檢查截斷與重複。正式流程應保留檔案順序,避免串接後出現重複段落或遺漏。
因此先用短錄音跑通完整流程,再擴大長度與同時請求量,比直接套用展示速度更有判斷力。
SOV-Transcribe-1 常見問題
可以直接拿來做中文客服逐字稿嗎?
官方支援清單未列中文。中文客服應另外選擇有對應支援與測試證據的模型,即使只是偶爾夾雜中文,也要用真實錄音驗證,不能從英文結果推定。
開放權重代表錄音一定不會外傳嗎?
資料是否離開組織,取決於實際部署、儲存與紀錄方式。自行部署提供控制空間,仍須確認服務中的每個元件與存取權限。
它能直接變成完整語音助理嗎?
這次公開的工作是錄音轉文字。要建立會說話的助理,還需對話處理、語音輸出和互動流程,這些能力不能從轉寫模型的名稱直接推論。
適合先測英文專有名詞需求的團隊
如果你有英文錄音、固定術語與可管理的運算環境,SOV-Transcribe-1 值得列入比較。先選一批包含真實口音、噪音和難辨名稱的錄音,會比只挑清楚短句更能找出問題。
測試前就訂好哪些資訊錯誤會影響工作,再讓現用系統與新模型處理同一批資料。這樣即使兩者全文分數接近,也能知道哪個比較能減少後續修正與重聽。
若團隊的主要需求仍是中文、即時字幕或完整說話者標記,應先處理這些必要條件。採用的依據應是可重複的工作成果,包括關鍵資訊正確率、處理時間與人工修訂量。
延伸閱讀:Nemotron 3.5 Transcribe 開放權重:40 語言、說話者標記與長錄音怎麼用?
延伸閱讀:Granite Speech 5.0 更新:多語轉寫、兩千詞提示,為何不等於支援中文聽寫?
原始資料來源
依 Salesforce 發布文章與 SOV-Transcribe-1 模型卡核對功能、評測條件及部署限制。
資料查核日期:2026 年 11 月 13 日。