SOV-Transcribe-1 ist Salesforces erstes öffentlich verfügbares Open-Weight-Sprachmodell für automatische Spracherkennung (ASR) ohne Streaming-Betrieb. Die Architektur kombiniert den bewährten Whisper-large-v3-Audioencoder von OpenAI mit dem Gemma 4 26B A4B Mixture-of-Experts-Sprachmodell von Google – eine ungewöhnliche Hybridkonstruktion, bei der von 26,6 Milliarden Gesamtparametern nur 4,6 Milliarden aktiv genutzt werden. Das Modell läuft in BF16-Präzision, wobei der MoE-Router in FP32 betrieben wird, und akzeptiert Audioeingaben mit 16 kHz Abtastrate von bis zu 30 Minuten Länge. Als Inferenz-Backends werden vLLM und Hugging Face Transformers unterstützt; für beschleunigte Inferenz steht zusätzlich das speziell entwickelte Draft-Modell SOV-Transcribe-1-DFlash bereit, das Speculative Decoding ermöglicht. Neben reiner Transkription erlaubt das Modell sogenanntes Context Biasing: Entwickler können domänenspezifisches Vokabular oder Eigennamen als Kontext mitgeben, um die Erkennung schwieriger Begriffe zu verbessern. Die Apache-2.0-Lizenz erlaubt kommerzielle Nutzung und On-Premises-Betrieb, was besonders für datenschutzsensible Unternehmensanwendungen – etwa in der Medizin oder Rechtsbranche – relevant ist. Die Benchmarkplatzierungen beziehen sich auf den Stand vom 12. November 2026.