Архитектура и возможности
Saaras V4 — это система типа encoder-decoder. Аудиоэнкодер преобразует звуковую волну в эмбеддинги, сохраняющие фонетические детали, а адаптер временной дискретизации сжимает последовательность для экономии контекстного окна. Декодером выступает Sarvam-3B — гибридная языковая модель на основе пространственных состояний (state-space), обученная с нуля. Модель поддерживает 5 режимов вывода через параметр mode: transcribe (стандарт), verbatim (дословно), codemix (сохранение английских слов латиницей), translit (транслитерация) и translate (перевод на английский). Это позволяет избежать ошибок постобработки.
Ключевые термины и бенчмарки
Новинка поддерживает Keyterm Prompting: пользователь может передать до 50 терминов (до 64 символов), чтобы повысить точность распознавания специфичных названий. На датасете IndicContextEval L5 модель показала WER 16.03%. В тестах на шумных аудио (Kathbath Noisy) ошибка Saaras V4 менее чем вдвое ниже, чем у Deepgram Nova-3 и GPT-4o. Идентификация языка среди 22 индийских языков имеет ошибку всего 2.9%.
Сравнение с конкурентами
Sarvam позиционирует Saaras V4 как решение с лучшим покрытием индийских языков. Ниже приведено сравнение ключевых характеристик с ближайшими аналогами на рынке.
| Характеристика | Sarvam Saaras V4 | Deepgram Nova-3 | ElevenLabs Scribe v2 | OpenAI GPT-4o |
|---|---|---|---|---|
| Индийские языки (из 22) | 22 | 11 | 14 | Не указано |
| Всего языков | 23 | 45+ | 90+ | — |
| Keyterm biasing | До 50 терминов | Платная опция | До 1000 (батч) | Свободный текст |
| Режимы вывода | 5 встроенных | Транскрипт + Smart Formatting | Verbatim / no_verbatim | Транскрипт |
| Стоимость (STT) | ₹30/час | $0.0052/мин | $0.22/час | ~$0.006/мин |
Доступность и цены
Модель доступна через API с использованием параметра model="saaras:v4". Поддерживается стриминг через WebSocket с временем до первого токена (TTFT) менее 150 мс. Цены для разработчиков составляют ₹30 за час аудио для стриминга и пакетной обработки, и ₹45 за час при включенной диаризации спикеров. Веса модели не опубликованы, самохостинг пока доступен только для версии v3 через AWS SageMaker. Обновление с v3 на v4 требует изменения только одной строки в коде запроса.
Источник: MarkTechPost ↗