Skip to content
Saaras V4 de Sarvam transcribe los 22 idiomas del Octavo Anexo en cinco formatos de salida, y su modelo de voz Bulbul V4 Flash empieza a hablar en menos de 250 milisegundos, según informa Sarvam
IA y tecnología

Saaras V4 de Sarvam transcribe los 22 idiomas del Octavo Anexo en cinco formatos de salida, y su modelo de voz Bulbul V4 Flash empieza a hablar en menos de 250 milisegundos, según informa Sarvam

Ilustración de tuput

Español

Sarvam AI, de Bengaluru, lanzó el modelo de reconocimiento de voz Saaras V4 el 25 de septiembre de 2026 y el modelo de texto a voz Bulbul V4 Flash el 13 de octubre. Saaras V4 cubre los 22 idiomas del Octavo Anexo más el inglés, y Bulbul V4 Flash cuesta Rs 20 por 10.000 caracteres, un tercio menos que su predecesor. La mayoría de las puntuaciones proceden de la propia Sarvam, y los conjuntos de prueba públicos de AI4Bharat respaldan varias de ellas.

· · 10 min de lectura

Sarvam AI, una empresa de Bengaluru, lanzó dos modelos de voz con tres semanas de diferencia. Saaras V4, anunciado el 25 de septiembre de 2026, convierte en texto el habla en los 22 idiomas del Octavo Anexo de la India, además del inglés. Bulbul V4 Flash, anunciado el 13 de octubre, convierte texto en habla y, según Sarvam, reproduce su primer sonido en menos de 250 milisegundos a Rs 20 por 10.000 caracteres. Entre los dos cubren las mitades de escucha y de habla de un agente de voz telefónico, un programa que habla con un cliente en hindi, tamil o bengalí.

Saaras V4 da cinco versiones del mismo discurso

Un codificador de audio alimenta un modelo de lenguaje de 3000 millones de parámetros (los números ajustables dentro de un modelo) que Sarvam dice haber entrenado desde cero en casa. Su decodificador es un modelo híbrido de espacio de estados, una alternativa a las capas de atención que usan la mayoría de los modelos de lenguaje grandes. Un paso intermedio acorta la secuencia de audio para que las grabaciones largas quepan en la memoria de trabajo del decodificador.

Sarvam pone el acento en la salida. A partir de una sola grabación, el modelo puede devolver cinco tipos de texto, y la entrada de lanzamiento los muestra con una única frase en hindi sobre el bateo en el T20.

ModoQué devuelve
transcribeEscritura nativa, con números y fechas normalizados
codemixComo transcribe, pero las palabras en inglés se quedan en letras inglesas
translitLa frase entera en letras inglesas, que la entrada dice que se llama coloquialmente «lenguaje de WhatsApp»
translateUna traducción al inglés
verbatimCada palabra tal como se dijo, de modo que «T20» aparece como las palabras hindis para «tee twenty»

Como los cinco salen de un solo modelo, Sarvam dice que no hacen falta pasos de procesamiento adicionales y, por tanto, tampoco hay pasos en los que se acumulen errores. La documentación para desarrolladores enumera los mismos modos y nombra a Saaras V4 como el modelo predeterminado. Añade el reconocimiento de acentos del inglés global junto con el inglés de la India, y describe el prompting por términos clave, en el que un desarrollador aporta hasta 50 nombres o términos técnicos para sesgar el reconocimiento hacia ellos. Esa función opera en las interfaces síncrona y por lotes, pero no en la de streaming.

El error de identificación de idioma es del 5,22% en los 22 idiomas y del 2,9% en los diez más hablados, sobre enunciados verificados del conjunto IndicVoices de AI4Bharat, informa la entrada. Para el uso en directo da un tiempo hasta el primer token inferior a 150 milisegundos en streaming. Los clips de menos de 30 segundos pasan por la interfaz síncrona, y la interfaz por lotes admite archivos de hasta dos horas, con etiquetas de hablante como opción. Business Standard informó del lanzamiento el 25 de septiembre y repitió las cifras de Sarvam. Un resumen anterior de tuput sobre los modelos de voz indios trata el resultado de V4 en IndicContextEval y la puntuación de Saaras V3, de modo que aquí no se repiten.

Bulbul V4 Flash está hecho para la velocidad y el precio

En su entrada del 13 de octubre, Sarvam dice que Flash ofrece menos de 250 milisegundos desde la solicitud hasta el primer audio en producción y funciona hasta un 40% más rápido que Bulbul V3 con una carga comparable. El precio es de Rs 20 por 10.000 caracteres frente a Rs 30 para V3, y la página de precios, leída el 12 de noviembre de 2026, muestra las mismas tarifas como Rs 2,00 y Rs 3,00 por 1000 caracteres. Analytics India Magazine informó del lanzamiento el 14 de octubre con cifras coincidentes.

Sarvam da dos razones de la calidad. Dice que amplió sus propios datos de voz casi siete veces respecto a V3 y que preentrenó el modelo desde cero con la representación de los idiomas indios como objetivo principal. Sus versiones de investigación, entrenadas con más de 400 000 millones de tokens de audio (pequeños trozos de sonido, como los modelos de texto usan trozos de palabras), siguieron mejorando a esa escala, y Flash es un modelo más pequeño destilado de lo que ellas le enseñaron.

El segundo énfasis es leer en voz alta números y nombres de forma correcta. Una capa de normalización de texto lee cada elemento en su contexto y decide cómo se pronuncia: ISRO como una palabra, EMI letra por letra, PAN como una palabra, Aadhaar con su pronunciación habitual. Las demostraciones de la entrada incluyen una llamada a una línea de atención de ferrocarriles y un recordatorio de préstamo que llevan números PNR, números de tren, importes y fechas. Flash se lanzó con 83 voces y 224 combinaciones de voz y estilo, que cubren atención al cliente, ventas, cobros, banca, comercio electrónico y educación, y funciona en la API de Sarvam, su Playground y Content Studio.

Las propias páginas de Sarvam difieren en el número de idiomas. La entrada de lanzamiento y Analytics India Magazine dicen 11 idiomas. La documentación para desarrolladores, leída el 12 de noviembre, dice que el catálogo de voces de Flash cubre hindi, inglés, un estilo mixto de inglés e hindi, bengalí, guyaratí, kannada, maratí, panyabí, tamil y telugu, y que el malayalam y el odia, que Bulbul V3 ofrece, todavía no están en Flash. También cuenta 222 identificadores de voz donde la entrada cuenta 83 voces y 224 combinaciones. Sarvam no explica ninguna de las dos diferencias.

Por qué Sarvam y AI4Bharat dicen que la tasa de error de palabras juzga mal el habla india

Las puntuaciones de voz suelen usar la tasa de error de palabras (WER), la proporción de palabras que difieren de una transcripción humana. La entrada de Sarvam del 2 de abril de 2026 sostiene que la WER, la tasa de error de caracteres y BLEU se diseñaron sobre todo para el inglés, donde cada palabra tiene una sola ortografía aceptada. Da dos casos prácticos.

En el primero, un hablante dice una frase informal en tamil que significa «trabajan juntos», y el sistema la escribe en la forma coloquial donde la referencia tiene la formal. Se marcan como erróneas cuatro de las cinco palabras, una WER del 80%, aunque la entrada dice que un hablante nativo oye una transcripción perfecta. En el segundo, una frase en hindi tiene «doctor» en letras inglesas en la referencia y en devanagari en la salida. Se marca como errónea una palabra de cada cinco, el 20%, aunque el significado es idéntico. Un bot bancario que maneja hindi con mezcla de códigos, con préstamos como account, balance y transfer, puede parecer un 15% peor de lo que es, añade la entrada.

El remedio de Sarvam es un conjunto de puntuaciones por capas. LLM-WER hace la comparación habitual, luego pregunta a un modelo de lenguaje si cada tramo que no coincide significa lo mismo o suena igual, y por defecto responde «distinto» si tiene dudas. Una puntuación de intención (Intent Score) marca una traducción con 1 o 0 según si sobrevivió su significado central. Una puntuación de conservación de entidades (Entity Preservation Score) cuenta la proporción de nombres, números y fechas que llegaron intactos, y la entrada recomienda al menos 0,95 para usos bancarios, médicos o de navegación. Gemini, a través de Vertex AI de Google, actúa de juez, y Sarvam ha publicado el código en GitHub. La propia entrada dice que no considera el enfoque «la última palabra» en la evaluación del reconocimiento automático del habla en lenguas indias.

Otros investigadores comparten la preocupación. AI4Bharat, el laboratorio del IIT Madras detrás de los conjuntos de prueba IndicVoices y Vistaar, publicó en marzo de 2026 un artículo para ICASSP 2026 sobre una WER con información ortográfica. Permitir variantes ortográficas válidas redujo las tasas de error en 6,3 puntos de media, informa, y estrechó la diferencia entre dos sistemas de 18,1 a 11,5 puntos.

Las pruebas públicas detrás de las cifras

Varias pruebas citadas en las entradas de Sarvam se construyeron fuera de la empresa. Vistaar, de AI4Bharat, de 2023, reúne 59 pruebas de referencia en idiomas y ámbitos de la India, y sus autores ajustaron modelos Whisper hasta obtener IndicWhisper, que tuvo la WER más baja en 39 de las 59. IndicVoices, un conjunto de datos de 2024, contiene 7348 horas de habla de 16.237 hablantes en 145 distritos en los 22 idiomas, de las cuales 1639 horas estaban transcritas cuando apareció el artículo. Para Vistaar, la entrada de Saaras V4 informa de resultados en diez idiomas tanto en WER como en LLM-WER, y las cifras aparecen solo en gráficos.

En el lado del inglés, seis de los siete conjuntos de prueba se toman tal como están publicados del Open ASR Leaderboard de Hugging Face, dice la entrada. El séptimo es el conjunto Svarah de AI4Bharat, de inglés con acento indio, y la normalización y la puntuación siguen el código de la tabla de clasificación. El artículo de esa tabla describe una comparación reproducible de 86 sistemas en 12 conjuntos de datos.

La cifra de términos clave se apoya en IndicContextEval, de investigadores de AI4Bharat y Sarvam AI y aceptado en Interspeech 2026. Tiene 56 horas de habla de 555 hablantes en 8 idiomas y 23 ámbitos profesionales, probadas con siete niveles de contexto añadido. Sarvam dice que Saaras V4 alcanza la WER más baja, 16,03%, cuando se aporta una lista de términos clave en escritura nativa. El artículo, enviado el 17 de junio, tres meses antes de que se anunciara V4, prueba en cambio Sarvam Audio e informa de 15,70% para él en ese nivel, frente al 17,46% de Gemini 3 Flash y al 26,04% de GPT-4o Transcribe. Son modelos distintos, y la entrada de V4 no dice si su prueba usó los mismos ocho idiomas.

Lo que no se ha demostrado

A 12 de noviembre de 2026, tuput no pudo leer ninguna tabla por conjunto de datos para Saaras V4 en el texto de la entrada de Sarvam, que muestra ejemplos de salida de ElevenLabs Scribe v2, Deepgram Nova3 y GPT-4o Transcribe pero no imprime puntuaciones para ellos. La afirmación de resultados de primer nivel en los 22 idiomas es, por tanto, de la propia Sarvam. Para Bulbul V3, Sarvam informó de un estudio de escucha a ciegas dirigido por Josh Talks, que describe como independiente, con entre 50 y 70 anotadores por idioma, y en ese estudio ElevenLabs v3 alpha iba por delante en calidad de audio de banda completa. La entrada de V4 Flash no informa de ninguna puntuación de escucha.

Las páginas de Sarvam también anuncian agentes de voz desde Rs 3 el minuto, con los modelos incluidos. Es un producto distinto de los modelos de voz, y la página de precios indica el reconocimiento de voz a Rs 0,49 el minuto en su plan de pago por uso.

Sarvam es uno de los doce equipos elegidos en el marco de la Misión IndiaAI, y el anexo del PIB del 13 de febrero de 2026 le atribuye Rs 246,72 crore de apoyo de cómputo; la computación y los modelos de la misión se tratan en otro artículo. Ninguna de las dos entradas sobre voz dice que los modelos de voz usaran cómputo de la misión. Bhashini y AI4Bharat ofrecen herramientas públicas de voz para los mismos 22 idiomas, que son los del Octavo Anexo de la Constitución, expuestos en nuestro explicativo sobre los 22 idiomas.

Bulbul V4 Pro, que Sarvam adelantó como un modelo mayor capaz de reír, suspirar y susurrar, no tiene fecha de lanzamiento ni precio anunciados a 12 de noviembre de 2026.

Share
Copied!

Fuentes y lecturas adicionales

  1. Sarvam AI: Introducing Saaras V4 (25 September 2026)
  2. Sarvam AI: Introducing Bulbul V4 Flash (13 October 2026)
  3. Sarvam AI: Evaluating Indian Language ASR (2 April 2026)
  4. Sarvam AI: Introducing Bulbul V3 (February 2026)
  5. Sarvam API docs: Saaras speech to text model page (read 12 November 2026)
  6. Sarvam API docs: Bulbul text to speech model page (read 12 November 2026)
  7. Sarvam API docs: Text to speech voices and the Bulbul v4 Flash catalogue (read 12 November 2026)
  8. Sarvam AI: API pricing (read 12 November 2026)
  9. Business Standard: Saaras V4, Sarvam AI's new speech model can transcribe 22 Indian languages (25 September 2026)
  10. Analytics India Magazine: Sarvam AI launches Bulbul V4 Flash for real-time speech in 11 Indian languages (14 October 2026)
  11. arXiv: Vistaar, Diverse Benchmarks and Training Sets for Indian Language ASR (Interspeech 2023)
  12. arXiv: IndicVoices, Towards building an Inclusive Multilingual Speech Dataset for Indian Languages (4 March 2024)
  13. arXiv: Towards Orthographically-Informed Evaluation of Speech Recognition Systems for Indian Languages (1 March 2026, ICASSP 2026)
  14. arXiv: IndicContextEval, a Benchmark for Evaluating Context Utilisation in Audio Large Language Models Across 8 Indic Languages (17 June 2026, Interspeech 2026)
  15. arXiv: Open ASR Leaderboard, Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation (revised 30 March 2026)
  16. GitHub: sarvamai/llm_wer, Sarvam's open-source LLM-WER evaluation code
  17. PIB: IndiaAI Mission progress, with Annexure I of support to foundation model builders (13 February 2026)
  18. AI4Bharat, IIT Madras: home page and research areas

Investigado y escrito con ayuda de herramientas de IA, y editado para verificar su exactitud. Se ofrece solo como información general y para el debate, no como asesoramiento profesional. Consulta nuestros criterios editoriales y nuestro aviso legal. ¿Has visto un error? Dínoslo.

#sarvam ai#saaras v4#bulbul v4 flash#speech recognition#text to speech#indic languages#word error rate#ai4bharat

¿Te ha gustado? Recibe el siguiente.

Una buena lectura cada vez, directa a tu correo. Sin spam, cancela cuando quieras.

Más en IA y tecnología
Sarvam reporta cerca de un 19% de error de palabras en 22 lenguas de la India y Meta cubre 1.600, pero la mayoría de las puntuaciones de voz publicadas vienen de sus propios creadores
Varios sistemas puntúan por debajo del 8% en llamadas telefónicas en hindi, mientras que el tamil, el malayalam y el bhojpuri muestran brechas mayores. Aquí están las puntuaciones, las lenguas que cubre cada modelo y las razones por las que las cifras todavía no caben en una sola tabla de clasificación.
Bhashini ofrece voz en 22 idiomas indios y texto en 36, y un laboratorio del IIT Madras creó el modelo abierto de traducción para los 22 idiomas de la lista oficial
Una plataforma del gobierno y un laboratorio universitario se reparten la tarea de enseñar a las máquinas el hindi, el tamil, el santali y el resto. Estas son las cifras, los artículos y los despliegues que constan en documentos, con sus fechas.
Ocho autores de Google publicaron el artículo del Transformer el 12 de junio de 2017, y su modelo grande obtuvo 28,4 BLEU del inglés al alemán tras 3,5 días con ocho GPU
Un recorrido por el diseño que hay detrás de los chatbots de hoy, con las tablas del propio artículo y el ejemplo de Google de una palabra que tiene que mirar a un río. También cubre las partes del diseño de 2017 que los modelos posteriores conservaron, cambiaron o descartaron.
← todos los artículos