Vai al contenuto
AI.info

The Pulse

Salesforce rilascia un modello open-weight per la trascrizione del parlato

Salesforce ha rilasciato SOV-Transcribe-1 con licenza Apache 2.0 per il riconoscimento vocale non in streaming. L’azienda afferma che il modello è in testa ai sistemi open-weight in un benchmark di trascrizione di Artificial Analysis.

Salesforce rilascia un modello open-weight per la trascrizione del parlato

Salesforce ha rilasciato un modello open-weight per la trascrizione non in streaming del parlato con licenza Apache 2.0. In un post del 12 novembre su Hugging Face, il team Sovereign Intelligence dell’azienda ha dichiarato che SOV-Transcribe-1 supporta più lingue e consente agli sviluppatori di usare istruzioni per controllare la formattazione delle trascrizioni.

L’azienda afferma che il modello si è classificato al primo posto tra i modelli open-weight e al settimo posto nella classifica generale per la conversione del parlato in testo non in streaming su Artificial Analysis, con classifiche aggiornate al 12 novembre. I pesi sono disponibili su Hugging Face.

Modello e accuratezza

SOV-Transcribe-1 ha 4 miliardi di parametri attivi e 26 miliardi di parametri totali. È progettato per il riconoscimento vocale automatico e può essere usato in applicazioni come agenti vocali, strumenti di dettatura e trascrizione di chiamate, su infrastrutture controllate da sviluppatori e aziende.

Salesforce ha riferito che il modello ha ottenuto un tasso di errore per parola del 2,28% nel confronto di Artificial Analysis, contro il 2,81% di Nemotron 3.5 Transcribe di NVIDIA, che ha lo stesso numero di parametri attivi. L’azienda ha indicato un tasso del 2,77% per Voxtral Small di Mistral, con 24 miliardi di parametri attivi.

Nomi, numeri e accenti

Il rilascio pone particolare enfasi sul riconoscimento di dettagli come numeri di telefono, indirizzi email, URL e simboli di codice. VoiceCodeBench misura sia se una registrazione contiene correttamente tutte le entità target, sia la percentuale di singole entità recuperate.

Secondo Salesforce, il modello ha acquisito correttamente tutte le entità target nel 76,3% delle registrazioni e ha recuperato il 93,4% delle entità. L’azienda ha dichiarato che questi punteggi lo hanno collocato al primo posto tra i modelli open-weight e al secondo posto tra 23 sistemi complessivi in entrambe le misure.

Nel benchmark AppTek Call-Center Dialogues, basato su chiamate tra operatori e clienti e comprendente 14 accenti dell’inglese, il modello ha registrato un tasso medio di errore per parola dell’8,21%, secondo quanto riferito dall’azienda. Ha ottenuto il tasso di errore più basso per 8 dei 14 accenti, tra cui quelli dell’inglese scozzese, indiano e singaporiano.

Salesforce ha inoltre riferito un tasso di errore per parola del 25,69% su HALAS, un benchmark annotato da esseri umani che usa audio reali di conference call sui risultati finanziari. Ha dichiarato che il risultato era inferiore a quelli degli altri modelli open-weight con cui lo ha confrontato, tra cui Qwen3-ASR 1.7B di Alibaba, al 26,01%.

Formattazione e contesto

Per impostazione predefinita, il modello produce trascrizioni verbatim, ma le istruzioni in linguaggio naturale possono chiedergli di rimuovere le disfluenze o di scrivere i numeri in cifre. Preference-ASR verifica se le trascrizioni rispettano i formati richiesti per numeri, entità, disfluenze e uso delle maiuscole e minuscole.

Con le istruzioni, il modello ha ottenuto un tasso di errore per parola che tiene conto delle preferenze del 5,05% in questo test, ha dichiarato Salesforce. Nel confronto dell’azienda, si è classificato dietro Granite Speech 5.0 2B di IBM, al 4,70%.

Gli sviluppatori possono anche fornire parole chiave o una breve descrizione audio per guidare la trascrizione di termini difficili. Nel test Contextual Earnings-22, che usa clip di 15 secondi tratte da reali conference call sui risultati finanziari, Salesforce ha confrontato la trascrizione senza parole chiave con esecuzioni a cui erano state fornite le parole chiave della clip oppure l’elenco completo delle parole chiave della chiamata.

Secondo quanto riferito dall’azienda, il punteggio F1 delle parole chiave è passato da 71,9 senza parole chiave a 96,8 con quelle della clip. Fornendo l’elenco completo della chiamata, che includeva elementi fuorvianti, il modello ha ottenuto 94,0; Salesforce ha dichiarato che si trattava del risultato più alto tra i modelli open-weight.

Fonte

Notizie correlate

Esplora

Altri articoli