Sarvam AI ha lanzado Saaras V4, la última generación de su modelo de reconocimiento de voz. Cubre los 22 idiomas indios programados más el inglés, y ahora incluye acentos globales del inglés. Sarvam informa una precisión de vanguardia en los 22 idiomas.
¿Es desplegable? Sí, a través de la API de Sarvam hoy, usando model=”saaras:v4″. Los pesos no son públicos y los documentos de autohospedaje de SageMaker de Sarvam actualmente cubren solo Saaras v3.
¿Qué hay dentro de Saaras V4?
Saaras V4 es un sistema codificador-decodificador. Un codificador de audio convierte la forma de onda en incorporaciones que transmiten detalles fonéticos y acústicos. Luego, un adaptador de reducción de resolución temporal acorta esa secuencia y la proyecta en el espacio de incrustación del modelo de lenguaje. Esto mantiene las grabaciones largas dentro del presupuesto de contexto del decodificador.
El decodificador es Sarvam-3B, un modelo de lenguaje híbrido de espacio de estados de parámetros 3B entrenado desde cero internamente. Lee las funciones de audio junto con un mensaje de texto. Luego emite la transcripción de forma autorregresiva, alimentando cada token como entrada para el siguiente.
Resultados de referencia
Inglés: Sarvam evaluó 7 conjuntos de datos en inglés. Seis provienen de la tabla de clasificación Open ASR de Hugging Face: AMI, GigaSpeech, LibriSpeech clean, LibriSpeech other, SPGISpeech y VoxPopuli. El séptimo es Svarah, con acento indio, de AI4Bharat. La puntuación sigue el código de normalización de la tabla de clasificación. Saaras V4 registra el WER promedio más bajo entre los modelos evaluados por Sarvam. Indic: En Vistaar, Sarvam informa resultados en 10 idiomas indios utilizando WER y LLM-WER. LLM-WER añade una verificación semántica. Separa los errores de significado real de las variantes inofensivas de ortografía o formato comunes en las escrituras índicas. Audio ruidoso: en Kathbath Noisy, medido con LLM-WER, Sarvam dice que la tasa de error de Saaras V4 es menos de la mitad que la de Deepgram Nova-3 y GPT-4o Transcribe. El conjunto incluye grabaciones comprimidas, recortadas y con mucho fondo. Identificación de idioma: en expresiones verificadas de IndicVoices, el error de identificación de idioma es del 2,9 % en los 10 principales idiomas de la India. Es del 5,22% en los 22.
Es importante tener en cuenta que todos los números anteriores son informados por el proveedor. La reproducción independiente aún no se ha publicado.
5 modos de salida de 1 modelo
Un mismo audio puede devolver 5 representaciones, seleccionadas a través del parámetro modo:
transcribir (predeterminado): escritura nativa con números y fechas normalizados. palabra por palabra: cada palabra tal como se pronuncia, se conservan los rellenos y los números hablados. codemix: escritura nativa, con palabras en inglés dejadas en inglés. translit: la expresión completa en escritura latina. traducir: una traducción al inglés con números normalizados.
El argumento de Sarvam es simple. Manejarlos dentro del modelo elimina los pasos de posprocesamiento que pueden agravar los errores.
Solicitud de términos clave
La indicación de términos clave es nueva en V4 y funciona solo con saaras:v4. Pasa una lista JSON bajo términos clave, con hasta 50 términos de 64 caracteres cada uno. Reconocimiento de sesgos de términos clave; no garantizan la producción. Utilice el modo codemix cuando una marca como PhonePe deba permanecer en escritura latina.
En IndicContextEval (artículo, Interspeech 2026), Saaras V4 informa un WER del 16,03% en la configuración de solicitud de palabras clave L5. Sarvam dice que esa es la puntuación más baja en el punto de referencia.
Streaming, audio largo y precios
Streaming: WebSocket con resultados parciales y tiempo hasta el primer token inferior a 150 ms. REST: transcripción síncrona de clips de hasta 30 segundos. Lote: trabajos asincrónicos de hasta 2 horas por archivo, con registro opcional del hablante. SDK: Python 3.9+ y Node.js 18+, además de integraciones de LiveKit Agents, Pipecat y Vercel AI SDK. Precio: Sarvam ofrece conversión de voz a texto a ₹ 30 por hora en tiempo real, transmisión y por lotes, y ₹ 45 por hora con diarización.
Saaras v3 sigue siendo el modelo predeterminado. V4 usa la misma forma de solicitud, por lo que el cambio es un cambio de 1 línea.