Как пишет MarktechPost, компания Sarvam AI представила Saaras V4, новое поколение своей модели распознавания речи. Она охватывает все 22 официальных языка Индии, а также английский, включая акценты глобального английского. Sarvam сообщает о высокой точности распознавания по всем 22 языкам. Модель доступна через API Sarvam, с использованием параметра model="saaras:v4". Веса модели не опубликованы, а документация по саморазмещению на SageMaker в настоящее время охватывает только Saaras v3. Saaras V4 представляет собой систему с кодировщиком и декодировщиком. Аудиокодировщик преобразует звуковую волну в эмбеддинги, которые содержат фонетические и акустические детали. Затем адаптер для уменьшения временных интервалов сокращает последовательность и проецирует её в пространство эмбеддингов языковой модели. Это позволяет обрабатывать длинные записи, не выходя за пределы контекста декодировщика. Декодировщик Sarvam-3B, являющийся гибридной языковой моделью с 3 миллиардами параметров, обучен с нуля. Он обрабатывает аудиофункции вместе с текстовым запросом, а затем последовательно генерирует транскрипцию, используя каждый токен как входные данные для следующего. В рамках бенчмарков Sarvam оценил 7 наборов данных на английском языке. Шесть из них взяты из таблицы лидеров Open ASR на Hugging Face: AMI, GigaSpeech, LibriSpeech clean, LibriSpeech other, SPGISpeech и VoxPopuli. Седьмой набор данных — это Svarah с индийским акцентом от AI4Bharat. Оценка проводится в соответствии с нормализацией таблицы лидеров. Saaras V4 показывает наименьший средний коэффициент ошибок (WER) среди моделей, которые Sarvam тестировал. На Vistaar Sarvam сообщает о результатах по 10 индийским языкам, используя как WER, так и LLM-WER. LLM-WER добавляет семантическую проверку, отделяя реальные ошибки значения от безобидных орфографических или форматных вариантов, которые распространены в индийских письменностях. При тестировании на шумном аудио, используя LLM-WER, Sarvam утверждает, что коэффициент ошибок Saaras V4 менее половины от Deepgram Nova-3 и GPT-4o Transcribe. Набор данных включает сжатые, обрезанные и записи с фоновым шумом. При идентификации языка на проверенных высказываниях IndicVoices ошибка составляет 2.9% по 10 основным индийским языкам и 5.22% по всем 22 языкам. Важно отметить, что все указанные цифры предоставлены поставщиком. Независимые репродукции пока не опубликованы. Модель Saaras V4 предлагает 5 режимов вывода для одного и того же аудио, выбираемых через параметр mode: транскрибировать (по умолчанию): родной скрипт с нормализованными числами и датами; дословно: каждое слово, как произнесено, включая заполнители и произнесённые числа; кодовый микс: родной скрипт с оставленными на английском языке словами; транслит: полное высказывание в латинском скрипте; перевод: английский перевод с нормализованными числами. Аргумент Sarvam прост: обработка этих элементов внутри модели исключает этапы постобработки, которые могут увеличивать количество ошибок. Ключевое слово в запросе — новшество в V4, которое работает только с saaras:v4. Вы передаёте JSON-список под ключом keyterms с максимальным количеством 50 терминов по 64 символа каждый. Ключевые слова влияют на распознавание, но не гарантируют вывод. Используйте режим кодового микса, когда необходимо оставить такие бренды, как PhonePe, в латинском скрипте. На IndicContextEval (доклад, Interspeech 2026) Saaras V4 показывает 16.03% WER в настройке L5 с ключевыми словами. Sarvam утверждает, что это наименьший результат на этом бенчмарке. Что касается потоковой передачи, то Sarvam предлагает WebSocket с частичными результатами и временем до первого токена менее 150 мс. REST обеспечивает синхронную транскрипцию для клипов до 30 секунд. Пакетные задания могут занимать до 2 часов на файл с опциональной диаризацией спикеров. SDK доступны для Python 3.9+ и Node.js 18+, а также интеграции с LiveKit Agents, Pipecat и Vercel AI SDK. Цены Sarvam устанавливает на уровне ₹30 за час для реального времени, потоковой передачи и пакетной обработки, и ₹45 за час с диаризацией. Saaras v3 остаётся моделью по умолчанию. V4 использует ту же структуру запроса, поэтому переключение требует всего одну строку изменения. Saaras V4 против ближайших конкурентов. Sarvam провёл бенчмарки по трем системам, данные взяты из публичной документации и страниц цен каждого поставщика, проверенных 26 сентября 2026 года. Saaras V4 охватывает все 22 индийских языка и глобальный английский в одной модели. За аудиокодировщиком стоит декодер с гибридным состоянием пространства на 3 миллиарда параметров, обученный с нуля. Ключевое слово в запросе принимает до 50 терминов и показало 16.03% WER на IndicContextEval L5. Пять режимов вывода и потоковая передача с временем до первого токена менее 150 мс исходят из одной модели. В настоящее время доступно только через API по цене ₹30 в час; документация по саморазмещению всё еще охватывает v3. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.