SOV-Transcribe-1: il modello aperto di Salesforce che trascrive l'audio, anche in italiano
Il 12 novembre 2026 Salesforce ha pubblicato SOV-Transcribe-1, un modello di trascrizione con pesi aperti e licenza Apache 2.0. Nella classifica indipendente di Artificial Analysis è il più preciso tra i modelli aperti, e capisce l'italiano. Ecco cosa fa, quanto è accurato, che macchina serve per farlo girare e cosa cambia per chi lavora con video, podcast e sottotitoli.
Cos'è SOV-Transcribe-1
SOV-Transcribe-1 è un modello di riconoscimento vocale (speech-to-text) sviluppato da Salesforce e pubblicato il 12 novembre 2026 sul blog ufficiale del team su Hugging Face. Lo firma il gruppo Missionforce Sovereign AI di Salesforce, che lo descrive come il suo primo modello linguistico aperto «aumentato con la voce».
I pesi sono pubblici e la licenza è Apache 2.0: chiunque può scaricarlo, usarlo anche a fini commerciali e modificarlo. L'idea di Salesforce è permettere ad aziende e sviluppatori di costruire assistenti vocali, strumenti di dettatura e trascrizioni delle chiamate tenendo l'audio sui propri server, senza mandarlo a un servizio esterno.
È un modello non-streaming: riceve un file audio già registrato e restituisce il testo. Non produce sottotitoli parola per parola mentre qualcuno parla.
Quanto è preciso: i numeri
SOV-Transcribe-1 è il modello aperto più preciso nella classifica indipendente di Artificial Analysis per la trascrizione non in diretta, con un AA-WER del 2,3%. Il WER (word error rate) misura la percentuale di parole sbagliate: più basso è, meglio è.
| Modello aperto | AA-WER |
|---|---|
| SOV-Transcribe-1 (Salesforce) | 2,28% |
| Voxtral Small (Mistral) | 2,77% |
| Nemotron 3.5 Transcribe (NVIDIA) | 2,81% |
Valori riportati da Salesforce nel post di lancio, coerenti con quelli della classifica. Salesforce dichiara anche che il modello è settimo in assoluto, contando i servizi a pagamento, e secondo su 23 sistemi in VoiceCodeBench, un test sul riconoscimento di dati precisi come numeri di telefono, email e codici (76,3% di compiti riusciti, dichiarato).
Come funziona e cosa puoi chiedergli
Sotto il cofano SOV-Transcribe-1 unisce l'encoder audio di Whisper large-v3 a un modello linguistico Gemma 4 26B A4B di tipo mixture-of-experts. In tutto ha 26,6 miliardi di parametri, ma per ogni parola ne usa solo 4,6 miliardi: per questo è più veloce di quanto la taglia faccia pensare.
La differenza rispetto a un trascrittore classico è che accetta istruzioni scritte. Secondo la scheda del modello puoi chiedergli:
- una trascrizione parola per parola oppure in forma scritta e pulita;
- di togliere o tenere gli intercalari come «ehm»;
- come gestire punteggiatura, maiuscole e numeri (per esempio cifre invece di parole);
- di riconoscere nomi e termini tecnici che gli suggerisci, o di tener conto di una breve descrizione dell'argomento.
L'ultimo punto conta: su un test con conference call finanziarie, Salesforce dichiara che dare al modello le parole chiave della registrazione alza il riconoscimento di quei termini da 71,9 a 96,8 punti.
Requisiti e limiti
SOV-Transcribe-1 è gratuito da scaricare, ma non è uno strumento da portatile.
| Voce | Cosa dice la scheda |
|---|---|
| Lingue | Inglese, francese, tedesco, spagnolo, italiano, portoghese, olandese |
| Durata audio | Fino a 30 minuti (testato); formato atteso 16 kHz mono |
| Modalità | Solo file registrati, niente diretta |
| Hardware di riferimento | Una GPU da 96 GB (RTX PRO 6000 Blackwell) |
| Software | Transformers oppure vLLM 0.32.0 con il plugin incluso |
| Velocità dichiarata | Fino a 1.039 secondi di audio trascritti al secondo; una clip di 30 secondi in 0,22 secondi |
I soli pesi in formato BF16 occupano circa 53 GB (26,6 miliardi di parametri da 2 byte). La scheda segnala anche un difetto raro: a volte il modello ripete un carattere o una frase finché non raggiunge il limite di testo. Il consiglio è controllare le trascrizioni troncate e dividere le registrazioni lunghe nelle pause. Il rapporto tecnico completo è annunciato come «in arrivo».
Perché conta un modello aperto
Fino a poco tempo fa, per avere trascrizioni molto precise bisognava pagare un servizio online e caricarci l'audio. Con SOV-Transcribe-1 il miglior risultato aperto si avvicina ai servizi chiusi: nella classifica di Artificial Analysis il sistema in testa è all'1,7% di AA-WER, contro il 2,3% di SOV-Transcribe-1.
Per chi fa prodotti è una buona notizia anche se non installerai mai il modello tu. Le app di sottotitoli, montaggio e note delle riunioni possono adottarlo senza pagare licenze per minuto, e la concorrenza con modelli aperti come Nemotron 3.5 di NVIDIA e Voxtral di Mistral tende a far scendere i prezzi. Sullo stesso fronte, pochi giorni fa ElevenLabs ha lanciato ElevenAI, un'app di dettatura basata sul suo modello Scribe v3, che però resta chiuso.
Cosa significa per te
Se crei video, podcast o corsi, la trascrizione è la base di quasi tutto: sottotitoli, didascalie, capitoli, articoli ricavati da un video.
- Sottotitoli e tagli più precisi. Una trascrizione con meno errori vuol dire meno correzioni a mano sui sottotitoli e tagli più puliti quando monti sul parlato. Se vuoi un flusso già pronto per sottotitolare e montare in automatico, guarda AI Editing Automation o la pagina Editing AI automatico.
- Da un video a tanti contenuti. Il testo pulito di un video lungo si trasforma in post, caroselli ed email. Se monti da telefono, CapCut Mobile Mastery ti mostra come usare i sottotitoli automatici dove pubblichi davvero.
- La voce al centro. Trascrizione e voce sintetica vanno insieme: se vuoi un tuo clone che parla nei video al posto tuo, c'è Crea il tuo clone AI in 30 minuti.
Il limite resta pratico: per usare SOV-Transcribe-1 direttamente ti serve una GPU da data center o un servizio che lo offra. Per un percorso completo su come produrre contenuti con l'AI c'è The AI Creator System.
Domande frequenti
SOV-Transcribe-1 è gratis?
Sì, i pesi sono scaricabili gratis da Hugging Face con licenza Apache 2.0, che consente anche l'uso commerciale. Il costo vero è l'hardware: serve una GPU con molta memoria o un servizio cloud.
SOV-Transcribe-1 capisce l'italiano?
Sì. L'italiano è una delle 7 lingue supportate, insieme a inglese, francese, tedesco, spagnolo, portoghese e olandese. Salesforce non ha pubblicato percentuali di errore specifiche per l'italiano.
Posso usare SOV-Transcribe-1 sul mio computer?
Su un normale portatile no. I pesi occupano circa 53 GB e la configurazione di riferimento usa una GPU da 96 GB. È pensato per aziende e servizi che lo installano sui propri server.
SOV-Transcribe-1 fa i sottotitoli in diretta?
No. È un modello non-streaming: trascrive file audio già registrati, fino a 30 minuti, ma non genera testo in tempo reale mentre qualcuno parla.
Quanto è preciso rispetto agli altri modelli aperti?
Su Artificial Analysis ha un AA-WER del 2,3%, il più basso tra i modelli aperti, davanti a Voxtral Small di Mistral e Nemotron 3.5 Transcribe di NVIDIA, entrambi intorno al 2,8%.
Leggi anche


