Salesforce veröffentlicht SOV-Transcribe-1: bestes offenes Spracherkennungsmodell

Worum es geht

Salesforce ist vor allem für Kundenverwaltungs-Software (CRM) bekannt, also Programme, mit denen Firmen Kontakte, Verkäufe und Serviceanfragen organisieren. Am 12. November 2026 hat der Konzern ein KI-Modell zur Spracherkennung vorgestellt: SOV-Transcribe-1. Das Modell wandelt gesprochene Sprache in Text um (Speech-to-Text). Die Gewichte stehen auf Hugging Face zum Download bereit. Unternehmen und Behörden können das Modell also auf eigenen Rechnern betreiben, statt Audiodateien an einen Cloud-Dienst zu schicken.

Bemerkenswert ist die Platzierung: Im unabhängigen Vergleich des Analysehauses Artificial Analysis liegt SOV-Transcribe-1 unter allen frei verfügbaren Spracherkennungsmodellen auf Platz eins. Damit liegt ein Softwarekonzern vor mehreren Firmen, deren Kerngeschäft das Entwickeln von KI-Modellen ist.

Die Zahlen: Wortfehlerrate und Rangliste

Gemessen wird Spracherkennung meist mit der Wortfehlerrate (Word Error Rate, WER). Sie gibt an, welcher Anteil der Wörter falsch erkannt, ausgelassen oder zusätzlich eingefügt wurde. Je niedriger, desto besser. 2,3 Prozent heißt grob: Von 100 Wörtern sind gut zwei fehlerhaft.

Im AA-WER-Index von Artificial Analysis erreicht SOV-Transcribe-1 eine Wortfehlerrate von 2,3 Prozent. Unter 44 getesteten Modellen bedeutet das Platz 7. Vor ihm liegen nur proprietäre Systeme, also Modelle, deren Gewichte die Hersteller nicht herausgeben und die meist nur über eine kostenpflichtige Schnittstelle laufen. Die stärksten offenen Konkurrenten kommen beide auf 2,8 Prozent: Voxtral Small von Mistral AI und Nemotron 3.5 Transcribe von Nvidia.

Der Index setzt sich aus mehreren Testsätzen zusammen. Auf zwei davon erzielt SOV-Transcribe-1 laut dem Bericht Bestwerte:

Zum Vergleich: Voxtral Small und Nemotron 3.5 Transcribe liegen im Gesamtindex jeweils bei 2,8 Prozent. Werte der Konkurrenten für die einzelnen Testsätze nennt die Quelle nicht. Earnings22 gilt als schwerer Test, weil dort Fachbegriffe, Firmennamen, Zahlen und teils schlechte Telefonqualität vorkommen. Das erklärt den höheren Fehlerwert.

Großes Modell, aber nur ein Teil arbeitet

SOV-Transcribe-1 hat insgesamt 26,6 Milliarden Parameter. Davon sind bei jedem Rechenschritt aber nur 4,6 Milliarden aktiv. Dieses Muster kennt man von Mixture-of-Experts-Modellen (MoE): Das Modell besteht aus vielen spezialisierten Teilnetzen, den „Experten“, und ein Verteiler schickt jede Eingabe nur an wenige davon. Das funktioniert ähnlich wie eine große Firma, in der nicht jeder Mitarbeiter an jedem Auftrag sitzt. Die Quelle nennt den Begriff nicht ausdrücklich, die Zahlen deuten aber klar darauf hin.

Der Vorteil: Das Modell rechnet ungefähr so schnell wie ein Modell mit 4,6 Milliarden Parametern, hat aber das Wissen eines viel größeren Modells. Der Nachteil: Im Speicher müssen trotzdem alle 26,6 Milliarden Parameter liegen. Laut dem Bericht soll das Modell beim Betrieb auf einem Server etwa 60-mal so schnell sein wie „herkömmliche Systeme“. Womit genau verglichen wurde, bleibt offen. Die Angabe lässt sich deshalb kaum einordnen.

Hintergrund: Souveräne KI für Behörden

SOV-Transcribe-1 gehört zu Salesforces Sovereign-AI-Initiative. Mit „souveräner KI“ sind Systeme gemeint, die eine Organisation vollständig unter eigener Kontrolle betreibt, ohne Daten an Dritte weiterzugeben. Das Modell ist an Missionforce angebunden, einen Salesforce-Bereich für sichere, kontrollierbare KI für Unternehmen und Regierungen. Missionforce startete im September 2025, also etwa ein Jahr vor dem Modell, und konzentriert sich auf Behörden und nationale Sicherheit.

Hier ergeben offene Gewichte besonders viel Sinn. Gesprächsmitschnitte, Vernehmungen oder interne Besprechungen dürfen viele Behörden gar nicht an externe Cloud-Server schicken. Ein Modell, das in der eigenen, abgeschotteten Umgebung läuft, ist für solche Organisationen oft eine Pflicht und keine Geschmacksfrage. Das „SOV“ im Namen steht vermutlich für „sovereign“, das bestätigt die Quelle aber nicht ausdrücklich.

Was du zum Ausprobieren brauchst

Die Quelle macht keine Angaben zur Hardware. Die folgenden Werte sind Schätzungen. Weil alle 26,6 Milliarden Parameter geladen werden müssen, brauchst du in voller Genauigkeit (16 Bit) rund 55 GB Grafikspeicher, also eher eine Rechenzentrums-GPU oder mehrere Karten. Bei einer Quantisierung auf 4 Bit (die Zahlen des Modells werden gröber gespeichert, das spart Platz, kostet aber etwas Genauigkeit) wären es geschätzt etwa 18 GB VRAM. Das passt auf eine Grafikkarte mit 24 GB wie eine RTX 3090 oder 4090. Ob es solche verkleinerten Versionen schon gibt, ist unklar. Weil nur 4,6 Milliarden Parameter aktiv sind, könnte es auch mit viel Arbeitsspeicher auf einem Mac mit Apple Silicon (ab etwa 32 GB gemeinsamem Speicher) brauchbar laufen. Das hängt aber davon ab, ob gängige Programme das Modell unterstützen. Für die Dateien solltest du je nach Format 20 bis 60 GB freien Festplattenplatz einplanen. Auf einem reinen Prozessor ohne GPU ist das Modell wahrscheinlich nur für kurze Aufnahmen praktikabel.

Noch nicht bekannt sind die Lizenz, die unterstützten Sprachen (also auch, ob Deutsch gut funktioniert) und der genaue Name des Hugging-Face-Repositorys. Schau vor dem Einsatz in Firma oder Behörde unbedingt in die Lizenzbedingungen auf der Modellseite.

Einordnung

Für alle, die Spracherkennung lokal betreiben wollen oder müssen, ist SOV-Transcribe-1 eine interessante neue Option. Laut AA-WER-Index liegt es mit 2,3 zu 2,8 Prozent spürbar vor Mistral und Nvidia, und zu den besten proprietären Systemen fehlt wenig. Dass ausgerechnet Salesforce an die Spitze der offenen Modelle springt, zeigt: Spracherkennung ist inzwischen auch ein Feld für Anbieter von Unternehmenssoftware, die ihre Kunden mit Datenhoheit locken.

Einiges ist allerdings offen. Die Hauptquelle ist ein knapper Bericht ohne Angaben zu Lizenz, Sprachen, Hardware oder Trainingsdaten. Die Aussage zur 60-fachen Geschwindigkeit ist ohne Vergleichsbasis kaum überprüfbar. Die Benchmarks stammen zwar von einem unabhängigen Analysehaus, prüfen aber vor allem englischsprachiges Material. Wie gut das Modell mit deutschen Dialekten, Fachsprache oder lauten Umgebungen zurechtkommt, müssen eigene Tests zeigen. Mit 26,6 Milliarden Parametern ist es außerdem deutlich schwerer als schlanke Alternativen wie Whisper-Varianten, die auf fast jedem Laptop laufen.