Tỷ lệ lỗi từ 2,3%: mô hình phiên âm Salesforce đứng đầu nhóm công khai trọng số

Salesforce (CRM) công bố mô hình chuyển lời nói thành văn bản SOV-Transcribe-1 ngày 12 (giờ địa phương). Mô hình đạt tỷ lệ lỗi từ tiếng Anh 2,3%, xếp thứ 7 trong số 44 mô hình được đánh giá lúc đó và đứng đầu nhóm mô hình công khai trọng số.

Trong bài giới thiệu kỹ thuật chính thức, Salesforce mô tả đây là mô hình nhận dạng giọng nói phi thời gian thực. Trọng số mô hình được công khai trên Hugging Face, cho phép người dùng tải xuống và vận hành trên hạ tầng riêng.

Bài đánh giá AA-WER của Artificial Analysis sử dụng khoảng 8 giờ âm thanh tiếng Anh, gồm AA-AgentTalk với các cuộc hội thoại của trợ lý giọng nói, VoxPopuli với các bài phát biểu tại Nghị viện châu Âu và Earnings22 với các cuộc gọi công bố kết quả kinh doanh. Tỷ trọng của ba nguồn lần lượt là 50%, 25% và 25%.

Tỷ lệ lỗi từ cho biết tỷ lệ từ bị bỏ sót, thay thế hoặc thêm vào khi so sánh bản chép lời của AI với bản gốc đã được con người xác nhận. Vì vậy, mức 2,3% không có nghĩa mô hình sẽ sai 2,3 từ trên mỗi 100 từ trong mọi ngôn ngữ và điều kiện ghi âm.

SOV-Transcribe-1 có tỷ lệ lỗi 4,1% trên Earnings22, 1,5% trên VoxPopuli và 1,8% trên AA-AgentTalk. Kết quả khác nhau giữa các nguồn, nên chỉ dựa vào điểm tổng hợp sẽ khó đánh giá độ chính xác trong một tác vụ hoặc môi trường ghi âm cụ thể. Bài đánh giá chỉ dùng tiếng Anh, không cho thấy hiệu năng của mô hình với tiếng Hàn.

Mô hình có tổng cộng 26,6 tỷ tham số, trong đó 4,6 tỷ tham số được kích hoạt khi vận hành. Hai mô hình được đưa ra so sánh là Voxtral Small của Mistral AI và Nemotron 3.5 Transcribe của NVIDIA (NVDA), cùng đạt tỷ lệ lỗi khoảng 2,8% theo chỉ số này.

Chỉ số tốc độ xử lý trong bài đánh giá vào khoảng 60. Con số này được tính bằng cách lấy độ dài âm thanh chia cho thời gian xử lý, không có nghĩa mô hình nhanh hơn 60 lần so với các mô hình khác và cũng không đảm bảo hiệu năng khi cài đặt trong môi trường thực tế.

Salesforce đưa mô hình vào định hướng AI chủ quyền của mình, nhấn mạnh khả năng để các tổ chức kiểm soát dữ liệu và hoạt động AI, đồng thời vận hành mô hình trên hạ tầng riêng.

Missionforce, được Salesforce ra mắt vào tháng 9 năm 2025, là hoạt động hướng tới các lĩnh vực chính phủ và an ninh quốc gia, nhấn mạnh quyền kiểm soát dữ liệu và bảo mật. Trọng số được công khai tạo thêm lựa chọn xử lý âm thanh nhạy cảm trong hệ thống nội bộ, nhưng việc công khai trọng số không đồng nghĩa mọi yêu cầu bảo mật của từng tổ chức đều được đáp ứng.

Salesforce nêu các trường hợp sử dụng gồm tư vấn khách hàng, ghi chép lời nói và xử lý bản ghi cuộc gọi. Điểm số lần này là kết quả đánh giá phi thời gian thực trên âm thanh tiếng Anh đã ghi, không phản ánh hiệu năng của dịch vụ giọng nói thời gian thực.