Sarvam AI刚发的Saaras V4，是目前唯一覆盖印度全部22种官方语言的语音转写模型，还支持全球英语口音——这个覆盖度，比市面上其他竞品高了不止一倍。
覆盖全印度语，精度数据的前提要讲清
先泼个冷水：所有精度数字都是厂商自报的，目前还没看到第三方独立复现的结果。不过覆盖度是实的：Deepgram Nova3只支持11种印度语，ElevenLabs Scribe v2是14种，OpenAI更是没按印度语单独列支持数量，Saaras V4直接拉满22种，还加了全球英语口音，这个点足够戳印度市场的痛点。毕竟印度的多语言环境，之前的模型根本兜不住——哪怕是常用的商务场景，也可能碰到没人能识别的小众语言，现在终于有个全兼容的选项。
功能细节：5种输出和关键词提示，省麻烦
再看核心功能：模型是编码器-解码器架构，加了下采样适配器，能把长音频塞进解码器的上下文预算里，不会卡壳。解码器是自研的Sarvam-3B，30亿参数的混合状态空间模型，从头训的，不是套壳的通用模型。
还有个实用设计：5种输出模式直接在模型里生成，不用自己做后处理转写，比如要混合语的话，codemix模式直接把英语词留成英文，不用再加工；要转成拉丁拼写的话，translit模式一键搞定。新的关键词提示功能，最多传50个术语，每个最多64字符，能引导模型优先识别，比如做电商的，要固定保留PhonePe这种品牌名的拉丁拼写，就用这个模式，不会转成印度语拼法。在Interspeech 2026的IndicContextEval数据集上，这个功能的WER是16.03%，厂商说比同行低。
和竞品比，价格和场景的差异
最后看硬对比：部署上，V4目前只有API，自托管的文档还停留在V3版本，只能等后续更新；价格是亮点，实时、流式、批量转写都是30卢比每小时，加说话人 diarization是45卢比——换算成人民币也就几块钱，比Deepgram、ElevenLabs、GPT-4o都便宜。
场景适配也到位：流式的首token延迟低于150ms，适合实时客服、对话记录；批量最多支持2小时的文件，还支持说话人 diarization，对会议录音、播客转写友好；同时有Python、Node.js SDK，还集成了LiveKit、Vercel这些主流工具，上手快。
不过也要说短板：模型权重不公开，只能用API调用，要定制化的话暂时不方便。
现在的问题是，其他做多语言语音转写的公司，会不会赶紧跟进覆盖全22种印度语？毕竟这个覆盖度，直接卡住了印度市场的门槛，谁先跟上，谁就能拿到更大的盘子。
素材来源：MarkTechPost · AI情报、AI应用落地、AI基础设施
查看报道原文
发表第一条评论吧