Salesforceは2026年11月12日、音声を文字にするAIモデル「SOV-Transcribe-1」を公開しました。モデルの学習結果である重みを公開する、オープンウェイトのモデルです。英語の認識精度に重点を置き、専門用語をヒントとして渡したり、言いよどみを残すかなど、文字起こしの形式を指示したりできます。
SOV-Transcribe-1は、音声を受け取り、まとめて処理する非ストリーミング型です。話している途中から文字を返す、リアルタイムのストリーミング認識とは異なります。公式の対応言語は、英語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語、オランダ語の7言語で、日本語は含まれていません。導入前に性能指標と利用条件を確認しましょう。
総パラメータ約266億・稼働約46億の非ストリーミング音声認識モデル
SOV-Transcribe-1は、音声を文字へ変換するASR(Automatic Speech Recognition)を主な用途とするモデルです。Salesforceのモデルカードによると、全体のパラメータ数は約266億、1回の推論で主に稼働するのは約46億です。パラメータは、モデルの学習結果を保持する値です。
この数には、音声をモデルで扱える情報に変える、音声エンコーダーも含まれます。SOV-Transcribe-1は、複数の専門部分から、処理に必要な部分を選んで使うMoE型の設計です。
音声は16kHzの入力を想定し、テキストの指示や、文脈を伝えるヒントも一緒に渡せます。モデルカードでは、最大30分の音声入力を試したと説明しています。ただし、特定条件でのテスト結果です。どの環境でも、長い録音を問題なく処理できると保証するものではありません。
SOV-Transcribe-1は、音声が入った瞬間から少しずつ文字を返す用途のモデルではありません。会議中のリアルタイム字幕よりも、録音済みの通話、インタビュー、音声メモを、まとめて文字にするシステムでの利用が中心です。
公式対応は7言語で、日本語は一覧に含まれない
Salesforceの公式モデルカードには、英語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語、オランダ語の7言語が列挙されています。日本語の記載はありません。そのため、「日本語の会議も高精度に文字起こしできる」とは断言できません。
Salesforceは、訛りや背景雑音に強い、英語の文字起こしを主な特徴として挙げています。電話番号、メールアドレス、氏名など、業務で重要な情報を、正確に取り出すための設計です。電話窓口の記録や、音声入力フォームなどでの活用に向いています。
日本語の案件に採用する場合は、公式の対応範囲外であることを前提に、実データで検証してください。複数言語対応でも、すべての言語で同じ認識精度を期待できるわけではありません。日本語で本格利用する際は、日本語対応を明記した既存モデルや商用サービスとの比較も必要です。
逐語録・整文を指示し、固有名詞や専門用語をヒントとして渡せる
利用者は、SOV-Transcribe-1に音声と一緒に、自然な言葉で指示を渡せます。「そのまま書き起こす」「言いよどみを省いて読みやすい文にする」「数字は数字表記にする」などの指定です。話した言葉を残す逐語録が必要な場面と、読みやすい議事メモが欲しい場面で、出力形式を変えられます。
また、人名、会社名、製品名、専門用語など、音声に出てきそうな言葉を事前に渡す「context biasing」にも対応します。たとえば、製品名が一般名詞と同じ発音で誤認されやすい場合に、表記の候補を伝えて、認識を助ける使い方です。Salesforceの公式資料では、決算説明会の用語を使った評価で、対象の名称を認識する精度の改善が示されています。
ただし、ヒントを渡せば必ず正しくなるわけではありません。利用者は、実際には発言されていない候補が採用されないか、長い候補リストの余分な情報に影響されないかを確認してください。個人情報を含む音声やヒントを扱う場合は、保存先とアクセス権の設計も重要です。
英語の評価でWER 2.28%を報告、日本語の精度は未提示
Salesforceは、Artificial Analysisの音声認識ベンチマークで、WER(単語誤り率)2.28%を記録したと発表しました。WERは、正解の文字起こしと比べ、単語の置換、削除、挿入がどの程度起きたかを測る指標です。値が低いほど、誤りが少ないことを示します。同社は2026年11月12日時点で、非ストリーミング型のオープンウェイトモデルの上位に位置づけられると説明しています。
Salesforceは別の音声ベンチマークで、電話番号やメールアドレスなど、重要な要素を正しく取り出せるかも評価しています。単語誤り率が低くても、数字を1文字、あるいはアンダースコアを間違えるだけで、実務上の問題になる場合があります。認識対象に応じて、複数の指標を比べることに意味があります。
導入担当者は、順位やWERだけで採用を決めず、固有名詞の誤認識、複数話者、録音状態、訂正にかかる工数も確認してください。公表値は、特定の評価環境と音声データによる結果です。日本語や、あらゆる雑音環境での精度を保証するものではありません。順位は他社の更新や計測条件でも変わるため、最新の実測値と、自社音声でのテスト結果を優先しましょう。
Apache 2.0で公開され、利用には推論環境と音声の管理が必要
Salesforceは、Hugging Face上でモデルの重みを公開しています。ライセンスはApache License 2.0です。開発者や企業は、自社のインフラ上でモデルを動かせるため、音声をどこで処理するかを設計しやすくなります。ただし、モデル自体は、完成済みの一般向け録音アプリではありません。
公式モデルカードでは、Hugging Face TransformersとvLLMで推論する方法を案内しています。公開時点では、一部のフレームワークへの対応を、追加実装やプラグインで補う必要があるとされています。開発者は、依存ライブラリのバージョン、GPUの容量、音声の前処理、長い録音の分割方法を事前に確認してください。GPUは、モデルの計算を担う処理装置です。
導入を判断する際は、ライセンスだけでなく、インフラ費用、処理時間、認識の誤りを訂正する運用も含めて検討してください。機密音声を保存・削除する方針も必要です。SOV-Transcribe-1は音声認識の選択肢を増やしますが、日本語やリアルタイム処理が必要な用途では、別のサービスも含めて比較しましょう。
関連する用語はAI用語一覧でも確認できます。




