SOV-Transcribe-1: Açık Ağırlıklı Konuşma Tanıma Modeli
Salesforce, 12 Kasım 2026’da SOV-Transcribe-1’i tanıttı ve model ağırlıklarını yayımladı. Model, ses kaydını metne çevirirken çıktının biçimine ve zor sözcüklerin tanınmasına yönelik talimatlar alabiliyor. Buradaki önemli yenilik yalnızca bir doğruluk iddiası değil; geliştiricinin metin dökümünü uygulamasının ihtiyacına göre yönlendirebilmesi. Model akış halinde olmayan, yani non-streaming konuşma tanıma için tasarlanmış. Bu haber, onu canlı sohbet sistemi olarak sunmuyor.
Metin dökümü üzerinde daha fazla kontrol
Salesforce’un duyurusuna göre model, varsayılan olarak konuşmayı söylendiği biçimiyle metne aktarıyor. Talimat verilerek daha temiz bir metin, farklı sayı yazımı veya konuşmadaki dolgu sözcüklerinin çıkarılması istenebiliyor. Bağlam bilgisi olarak sunulan adlar ve alana özgü terimler de tanınması zor sözcükler için yol gösterebiliyor.
Bu kontroller, metin başka bir uygulamaya aktarılacaksa özellikle önemli. Cümle düzgün görünse bile içindeki e-posta adresi veya hesap numarası yanlış olabilir. Biçimlendirmeyi yönlendirebilmek yararlı bir özellik; her kritik ayrıntının doğru çıkacağına dair güvence değil. Uygulamanın ihtiyaç duyduğu ad, sayı ve diğer önemli bilgilerin ayrıca denetlenmesi gerekiyor.
Açık ağırlıklar, küçük bir kurulum demek değil
Yayımlanan model kartında lisans Apache 2.0 olarak belirtiliyor. Ses kodlayıcısı dahil toplam 26,6 milyar ve etkin 4,6 milyar parametre listeleniyor. Daha küçük olan etkin parametre sayısını, modelin tamamının boyutu veya ölçülmüş donanım gereksinimiyle karıştırmamak gerekiyor.
Model kartı, 30 dakikaya kadar ses girdisinin test edildiğini, isteğe bağlı metin talimatları alınabildiğini ve çıktı olarak metin dökümü üretildiğini belirtiyor. vLLM ve Hugging Face Transformers için yerleşik desteğin ana projelere eklenmekte olduğu da açıklanıyor. Mevcut sürümde bir vLLM eklentisi ve model deposunun sağladığı kod bulunuyor. Kurulumdan önce bu bağımlılıkları incelemek gerekir; uzaktaki kodu denetimsiz çalıştırmak uygun bir başlangıç değildir.
Modeli kendi denetiminizdeki altyapıda çalıştırmak, sesin nerede işlendiğini değiştirebilir. Ancak bu tek başına güvenli kurulum, bir kaydı işleme izni veya veri koruma yükümlülüklerine uyum anlamına gelmez.
Türkçe için önemli sınır
Model kartında İngilizce, Fransızca, Almanca, İspanyolca, İtalyanca, Portekizce ve Felemenkçe listeleniyor. Türkçe bu listede yer almıyor. Bu, Türkçe girdinin her durumda başarısız olacağını kanıtlamaz; ancak yayımlanan belgeler Türkçe konuşma tanıma desteğini veya kalitesini doğrulamıyor.
Salesforce, duyurusunda kıyaslama sonuçları ve sıralama iddiaları da paylaşıyor. Bunlar yayıncının bildirdiği sonuçlar; bu haber için yeniden ölçülmüş veriler değil. Özellikle İngilizce elde edilen bir sonuç, Türkçe doğruluğunun kanıtı olarak sunulmamalı.
Kullanmadan önce neye bakılmalı?
Bir konuşma tanıma projesi için anlamlı sonraki adım, işleme yetkinizin bulunduğu kayıtlarla küçük bir değerlendirme yapmak: gereken diller, gürültülü ortamlar, adlar, sayılar ve çıktı biçimi. Kurulumun tamamının kaynak ihtiyacı ölçülmeli, yazılım bağımlılıkları incelenmeli. Açık ağırlıkların veya bir kıyaslama başlığının düzeltme ve insan incelemesi ihtiyacını ortadan kaldırdığı varsayılmamalı.
Birincil kaynaklar
Bağlantıları verilen birincil kaynaklardan yapay zekâ desteğiyle derlenmiştir. Yayıncıların iddiaları kaynaklarıyla aktarılır; bağımsız performans testi veya Kağan Erkan tarafından kişisel doğrulama yapıldığı iddia edilmez.