Skip to content
据Sarvam称,其Saaras V4能以五种输出格式转写全部22种附表语言,Bulbul V4 Flash语音模型发声不到250毫秒
人工智能与科技

据Sarvam称,其Saaras V4能以五种输出格式转写全部22种附表语言,Bulbul V4 Flash语音模型发声不到250毫秒

插图:tuput

中文

班加罗尔的Sarvam AI于2026年9月25日发布语音识别模型Saaras V4,10月13日发布文字转语音模型Bulbul V4 Flash。Saaras V4覆盖22种附表语言和英语,Bulbul V4 Flash每1万个字符收费20卢比,比前一代低三分之一。多数得分来自Sarvam自己,其中几项背后是AI4Bharat的公开测试集。

· · 1 分钟阅读

班加罗尔的Sarvam AI在三周之内发布了两个语音模型。2026年9月25日宣布的Saaras V4,把印度全部22种附表语言和英语的语音转成文字。10月13日宣布的Bulbul V4 Flash把文字转成语音,据Sarvam称,它在250毫秒内就能发出第一个声音,每1万个字符收费20卢比。两者合在一起,覆盖了电话语音智能体的听和说两半,所谓语音智能体,就是用印地语、泰米尔语或孟加拉语和客户交谈的程序。

Saaras V4对同一段话给出五个版本

一个音频编码器连着一个30亿参数的语言模型(参数是模型内部可调的数字),Sarvam说这个模型是它在内部从头训练的。它的解码器是混合状态空间模型,是大多数大语言模型所用注意力层的一种替代方案。两者之间有一个步骤会缩短音频序列,让长录音能装进解码器的工作内存。

Sarvam把重点放在输出上。同一段录音,模型可以返回五种文字,发布文章用一句关于T20击球的印地语句子展示了这五种。

模式返回的内容
transcribe本地文字,数字和日期经过规范化
codemix同样是转写,但英语单词仍用英文字母
translit整句话都用英文字母,文章说口语里把它叫作“WhatsApp语言”
translate英语译文
verbatim逐字照录,所以“T20”会写成印地语里“tee twenty”的读音

Sarvam说,五种结果出自同一个模型,所以不需要额外的处理步骤,也就没有可能让错误层层累积的环节。开发者文档列出了同样的模式,并把Saaras V4标为默认模型。文档还说,除印度英语外,它也能识别全球各地的英语口音,并介绍了关键词提示:开发者最多可以提供50个名称或专业术语,让识别向它们倾斜。这项功能适用于同步和批量接口,不适用于流式。

文章报告说,在AI4Bharat的IndicVoices数据集的已核实语句上,语言识别错误率在全部22种语言中是5.22%,在使用人数最多的十种语言中是2.9%。用于实时场景时,流式的首个词元时间低于150毫秒。30秒以内的片段走同步接口,批量接口可处理最长两小时的文件,并可选择加上说话人标签。Business Standard在9月25日报道了这次发布,转述了Sarvam的数字。此前的tuput印度语音模型综述已经介绍了V4在IndicContextEval上的结果以及Saaras V3的得分,这里不再重复。

Bulbul V4 Flash主打速度和价格

Sarvam在10月13日的文章中说,Flash在生产环境中从请求到首段音频不到250毫秒,在相当的负载下比Bulbul V3最多快40%。价格是每1万个字符20卢比,V3是30卢比;2026年11月12日查阅的价格页面把同样的费率写成每1,000个字符2.00卢比和3.00卢比。Analytics India Magazine在10月14日报道了这次发布,数字一致。

Sarvam给出两个原因解释质量。它说自己的语音数据比V3扩大了近七倍,并以印度语言的覆盖为主要目标,从头预训练了这个模型。它的研究版本用超过4000亿个音频词元(声音的小片段,就像文本模型用词的小片段)训练,在这一规模上仍在持续改进,Flash则是从它们所学到的东西中蒸馏出来的较小模型。

第二个重点是把数字和名称正确地读出来。一个文本规范化层会结合上下文看待每一项,决定怎么读:ISRO当作一个词读,EMI逐个字母读,PAN当作一个词读,Aadhaar用大家熟悉的读法。文章里的演示包括一通铁路服务热线电话和一条贷款提醒,里面有PNR号、车次、金额和日期。Flash发布时带有83种声音和224种声音与风格的组合,覆盖客户服务、销售、催收、银行、电商和教育,运行在Sarvam API、它的Playground和Content Studio上。

Sarvam自己的几个页面在语言数量上说法不一。发布文章和Analytics India Magazine说是11种语言。11月12日查阅的开发者文档说,Flash的声音目录涵盖印地语、英语、英语与印地语混用的风格、孟加拉语、古吉拉特语、卡纳达语、马拉地语、旁遮普语、泰米尔语和泰卢固语,并说Bulbul V3提供的马拉雅拉姆语和奥里亚语尚未上线Flash。文档还数出222个声音ID,而文章里是83种声音和224种组合。Sarvam没有解释这两处差异。

Sarvam和AI4Bharat为什么说词错误率会误判印度语音

语音得分通常用词错误率(WER),即与人工转写不同的词所占的比例。Sarvam 2026年4月2日的文章认为,WER、字符错误率和BLEU主要是为英语设计的,英语里每个词只有一种公认的拼写。文章给出两个具体的例子。

第一个例子,说话人说了一句口语化的泰米尔语,意思是“他们一起工作”,系统写成了口语形式,而参考文本用的是正式形式。五个词里有四个被判错,WER为80%,但文章说,母语者听来这是一份完美的转写。第二个例子,一句印地语里,参考文本把“doctor”写成英文字母,输出则写成天城体。五个词里有一个被判错,是20%,但意思完全相同。文章补充说,一个处理印地语与英语混用的银行机器人,遇到account、balance和transfer这类外来词,看起来可能比实际差15%。

Sarvam的办法是一套分层的得分。LLM-WER先做常规比较,再让一个语言模型判断每一处不一致的片段是否意思相同或读音相同,拿不准时默认判为“不同”。意图得分按译文的核心意思是否保留,评为1或0。实体保留得分统计名称、数字和日期被保留下来的比例,文章建议银行、医疗或导航用途至少达到0.95。评判者是通过Google的Vertex AI调用的Gemini,Sarvam已在GitHub上公开了代码。文章本身说,它并不认为这种办法是印度语言语音识别评估的“最终定论”。

其他研究者也有同样的顾虑。AI4Bharat是IIT马德拉斯的实验室,IndicVoices和Vistaar测试集都出自这里,它在2026年3月为ICASSP 2026发表了一篇关于考虑正字法的WER的论文。论文报告说,允许有效的拼写变体,使错误率平均下降6.3个百分点,并把两个系统之间的差距从18.1个百分点缩小到11.5个百分点。

数字背后的公开测试

Sarvam文章中提到的几项测试,是公司之外的人建立的。AI4Bharat 2023年的Vistaar汇集了覆盖印度各语言和领域的59个基准,其作者把Whisper模型微调成IndicWhisper,在59个基准中的39个上取得最低WER。IndicVoices是2024年的数据集,包含来自145个县、16,237位说话人的7,348小时语音,覆盖全部22种语言,论文发表时其中1,639小时已完成转写。在Vistaar上,Saaras V4的文章报告了十种语言的结果,同时给出WER和LLM-WER,数字只以图表形式出现。

英语方面,文章说七个测试集中有六个直接取自Hugging Face的Open ASR Leaderboard已发布的结果。第七个是AI4Bharat的Svarah印度口音英语测试集,规范化和评分沿用该排行榜的代码。该排行榜的论文描述了一项可复现的比较,涉及86个系统和12个数据集。

关键词这个数字依据的是IndicContextEval,由AI4Bharat和Sarvam AI的研究者制作,已被Interspeech 2026接收。它包含来自555位说话人的56小时语音,涉及8种语言和23个专业领域,在七个添加上下文的层级上测试。Sarvam说,提供本地文字的关键词列表时,Saaras V4达到最低WER,为16.03%。这篇论文是6月17日提交的,比V4发布早三个月,测试的是Sarvam Audio,在那个层级上报告的数字是15.70%,对比Gemini 3 Flash的17.46%和GPT-4o Transcribe的26.04%。这是不同的模型,V4的文章也没有说明它那次测试用的是不是同样的八种语言。

尚未得到证明的部分

截至2026年11月12日,tuput在Sarvam文章的正文里看不到Saaras V4的分数据集表格,文章展示了ElevenLabs Scribe v2、Deepgram Nova3和GPT-4o Transcribe的样例输出,但没有印出它们的得分。因此在全部22种语言上取得最佳结果的说法,是Sarvam自己的。对于Bulbul V3,Sarvam报告了由Josh Talks进行的盲听研究,称其为独立研究,每种语言有50到70位标注者,那项研究中ElevenLabs v3 alpha在全频带音频质量上领先。V4 Flash的文章没有报告听感得分。

Sarvam的页面还宣传每分钟3卢比起的语音智能体,模型费用包含在内。那是与语音模型分开的另一款产品,价格页面列出的语音转文字,在按量付费方案下为每分钟0.49卢比。

Sarvam是IndiaAI Mission选定的十二个团队之一,2026年2月13日的PIB附件列出了给它的24.672亿卢比(246.72 crore)算力支持,该使命的算力与模型另有专文介绍。两篇语音文章都没有说语音模型用了该使命的算力。Bhashini和AI4Bharat为同样这22种语言提供公开的语音工具,这22种语言就是宪法第八附表所列的语言,详见我们的22种语言解读。

Bulbul V4 Pro是Sarvam预告的一款更大的模型,能笑、能叹气、能低语,截至2026年11月12日,没有公布发布日期和价格。

Share
Copied!

资料来源与延伸阅读

  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

本文在 AI 工具协助下研究与撰写,并经编辑核实。仅供一般参考与讨论,不构成专业建议。请参阅我们的编辑准则与免责声明。发现错误?告诉我们。

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

喜欢这篇吗?下一篇也别错过。

每次一篇好文章,直接送到你的邮箱。绝无垃圾邮件,随时可退订。

同类更多: 人工智能与科技
Sarvam称其模型在22种印度语言上的词错误率约为19%,Meta覆盖1600种语言,但已发表的语音得分大多出自开发者自己
有几个系统在印地语电话通话上的得分低于8%,而泰米尔语、马拉雅拉姆语和博杰普尔语显示出更大的差距。这里是各项得分、各个模型覆盖的语言,以及这些数字为什么还不能放进同一张排行榜的原因。
Bhashini提供22种印度语言的语音服务和36种语言的文字服务,印度理工学院马德拉斯分校的一个实验室为全部22种宪法所列语言打造了开放翻译模型
一个政府平台和一个大学实验室分担了教机器学会印地语、泰米尔语、桑塔利语等语言的工作。以下是有据可查的数字、论文和应用,并注明日期。
八位谷歌作者于2017年6月12日发布Transformer论文,其大模型在八块GPU上训练3.5天后,英德翻译得分达到28.4 BLEU
这篇文章带读者走一遍今天聊天机器人背后的设计,用的是论文自己的表格,以及谷歌自己举的“一个词必须去看河”的例子。文章也讲到2017年设计中后来的模型保留、改动或舍弃的部分。
← 全部文章