WER 2.3% โมเดลถอดเสียงเซลส์ฟอร์ซ (Salesforce, CRM) อันดับ 1 ในกลุ่มเปิดน้ำหนัก

เซลส์ฟอร์ซ (Salesforce, CRM) เปิดตัวโมเดลถอดเสียง SOV-Transcribe-1 เมื่อวันที่ 12 (เวลาท้องถิ่น) โดยทำอัตราความผิดพลาดระดับคำภาษาอังกฤษได้ 2.3% อยู่อันดับ 7 จากโมเดลที่ประเมินทั้งหมด 44 รุ่นในเวลานั้น และอันดับ 1 ในกลุ่มโมเดลที่เปิดเผยน้ำหนัก

เซลส์ฟอร์ซระบุในเอกสารแนะนำทางเทคนิคอย่างเป็นทางการว่า โมเดลนี้ออกแบบมาสำหรับการรู้จำเสียงแบบไม่เรียลไทม์ น้ำหนักโมเดลเผยแพร่บน Hugging Face ทำให้ผู้ใช้ดาวน์โหลดไปรันบนโครงสร้างพื้นฐานของตนเองได้

การประเมิน AA-WER ของ Artificial Analysis ใช้เสียงภาษาอังกฤษรวมประมาณ 8 ชั่วโมงจาก AA-AgentTalk ซึ่งเป็นบทสนทนาของเอเจนต์เสียง, VoxPopuli ซึ่งมีสุนทรพจน์ในรัฐสภายุโรป และ Earnings22 ซึ่งเป็นการสนทนาในการรายงานผลประกอบการบริษัท โดยให้น้ำหนักข้อมูลแต่ละชุด 50%, 25% และ 25% ตามลำดับ

อัตราความผิดพลาดระดับคำวัดสัดส่วนคำที่ระบบถอดเสียงตกหล่น เปลี่ยน หรือเติมเพิ่ม เมื่อเทียบกับต้นฉบับที่มนุษย์ตรวจสอบแล้ว ดังนั้น ตัวเลข 2.3% จึงไม่ได้หมายความว่าโมเดลผิด 2.3 คำต่อทุก 100 คำในทุกภาษาและทุกสภาพการบันทึกเสียง

SOV-Transcribe-1 มีอัตราความผิดพลาด 4.1% ใน Earnings22, 1.5% ใน VoxPopuli และ 1.8% ใน AA-AgentTalk ผลที่แตกต่างกันทำให้ยังประเมินความแม่นยำในงานหรือสภาพแวดล้อมการบันทึกเสียงเฉพาะจากตัวเลขรวมเพียงอย่างเดียวได้ยาก การประเมินครั้งนี้ใช้เสียงภาษาอังกฤษ จึงไม่ได้แสดงประสิทธิภาพในภาษาไทย

โมเดลมีพารามิเตอร์ทั้งหมด 26.6 พันล้านตัว และมีพารามิเตอร์ที่ทำงานอยู่ระหว่างประมวลผล 4.6 พันล้านตัว ส่วน Voxtral Small ของมิสทรัล เอไอ (Mistral AI) และ Nemotron 3.5 Transcribe ของเอ็นวิเดีย (NVIDIA, NVDA) ซึ่งนำมาเปรียบเทียบ ทำตัวเลขเดียวกันได้ประมาณ 2.8% ทั้งคู่

ดัชนีความเร็วในการประมวลผลที่แสดงในการประเมินอยู่ที่ประมาณ 60 โดยคำนวณจากความยาวเสียงหารด้วยเวลาในการประมวลผล ตัวเลขนี้ไม่ได้หมายความว่าเร็วกว่าโมเดลอื่น 60 เท่า และไม่ได้รับประกันประสิทธิภาพเมื่อนำไปติดตั้งใช้งานจริง

เซลส์ฟอร์ซรวมโมเดลนี้ไว้ในแนวคิด Sovereign AI ซึ่งเน้นให้องค์กรควบคุมข้อมูลและการทำงานของ AI โดยชูความสามารถในการรันโมเดลบนโครงสร้างพื้นฐานขององค์กรเอง

Missionforce ซึ่งเซลส์ฟอร์ซเปิดตัวในเดือนกันยายน 2025 เป็นธุรกิจที่เน้นการควบคุมข้อมูลและความปลอดภัยสำหรับงานภาครัฐและความมั่นคงแห่งชาติ การเปิดเผยน้ำหนักโมเดลทำให้องค์กรมีทางเลือกในการประมวลผลเสียงที่ละเอียดอ่อนภายในระบบของตน แต่การเปิดเผยน้ำหนักเพียงอย่างเดียวไม่ได้รับประกันว่าจะเป็นไปตามข้อกำหนดด้านความปลอดภัยของแต่ละหน่วยงาน

เซลส์ฟอร์ซยกตัวอย่างการใช้งาน เช่น บริการลูกค้า การถอดเสียง และการจัดการบันทึกการโทร อย่างไรก็ตาม คะแนนครั้งนี้มาจากการประเมินเสียงภาษาอังกฤษที่บันทึกไว้และประมวลผลแบบไม่เรียลไทม์ จึงไม่ได้บ่งชี้ประสิทธิภาพของบริการเสียงแบบเรียลไทม์