Индийская компания Sarvam AI представила новейшее поколение своей системы распознавания речи — модель Saaras V4. Это событие может показаться очередным релизом в череде ИИ-новостей, но за ним стоит нечто большее: одна-единственная модель теперь понимает и переводит в текст речь на всех 22 официальных языках Индии, а также на глобальном английском с самыми разными акцентами. И самое интересное — как инженерам удалось уместить эту лингвистическую вселенную в компактную архитектуру.
Что именно произошло
Sarvam AI объявила о запуске Saaras V4 — системы преобразования речи в текст (speech-to-text), которая охватывает все 22 запланированных языка Индии плюс английский. По заявлениям разработчиков, модель демонстрирует передовую в отрасли точность по каждому из 22 языков. Уже сегодня её можно использовать через API компании, указав параметр model="saaras:v4".
Важный нюанс: веса модели не опубликованы, а документация по самостоятельному развёртыванию на AWS SageMaker пока описывает только предыдущую версию — Saaras v3. То есть пока это облачное решение, а не открытый инструмент.
Как устроена «внутренняя кухня» модели
Самое любопытное кроется в архитектуре. Saaras V4 — это классическая связка энкодер-декодер, но с рядом изящных решений.
Сначала аудиоэнкодер превращает звуковую волну в эмбеддинги, которые несут фонетическую и акустическую информацию. Затем специальный адаптер выполняет временное прореживание последовательности и проецирует её в пространство эмбеддингов языковой модели. Это позволяет удерживать даже длинные записи в пределах контекстного окна декодера.
Декодером выступает Sarvam-3B — гибридная языковая модель на основе пространства состояний с 3 миллиардами параметров, обученная с нуля внутри компании. Она считывает аудиопризнаки вместе с текстовым запросом и авторегрессивно выдаёт транскрипт, подавая каждый сгенерированный токен обратно на вход для предсказания следующего.
Проще говоря, вместо того чтобы строить отдельные модели для каждого языка, инженеры создали единый «мозг», который учится переключаться между лингвистическими системами на лету.
Результаты, которыми гордится разработчик
Sarvam AI провела собственные бенчмарки, и цифры выглядят впечатляюще — хотя стоит помнить, что все они заявлены вендором и пока не подтверждены независимыми исследованиями.
Английский язык
Модель протестировали на семи наборах данных. Шесть из них взяты из открытого лидерборда Hugging Face Open ASR: AMI, GigaSpeech, LibriSpeech clean, LibriSpeech other, SPGISpeech и VoxPopuli. Седьмой — индийский акцентированный Svarah от AI4Bharat. По словам компании, Saaras V4 показала наименьший средний показатель WER (word error rate) среди всех протестированных моделей.
Индийские языки
На наборе Vistaar модель оценивали по 10 индийским языкам с использованием как классического WER, так и метрики LLM-WER. Последняя добавляет семантическую проверку и позволяет отделить настоящие смысловые ошибки от безобидных вариаций написания или форматирования, которые часто встречаются в индийских письменностях.
Шумные записи
На наборе Kathbath Noisy с метрикой LLM-WER частота ошибок Saaras V4 оказалась более чем вдвое ниже, чем у Deepgram Nova-3 и GPT-4o Transcribe. В этот набор входят сжатые, обрезанные и сильно зашумлённые записи — то есть речь идёт о реальных, «грязных» условиях, а не идеальной студии.
Определение языка
На проверенных высказываниях IndicVoices ошибка идентификации языка составила 2,9% для топ-10 индийских языков и 5,22% для всех 22. Это означает, что модель не просто распознаёт речь, но и сама понимает, на каком языке с ней говорят.
Пять режимов вывода из одной модели
Одно и то же аудио можно преобразовать в пять разных представлений, выбирая нужное через параметр mode:
- transcribe (по умолчанию) — текст на родной письменности с нормализованными числами и датами;
- verbatim — каждое слово так, как оно произнесено, включая слова-заполнители и числа прописью;
- codemix — родная письменность, но английские слова остаются на английском;
- translit — всё высказывание записывается латиницей;
- translate — перевод на английский с нормализованными числами.
Логика Sarvam здесь проста: чем больше обработки происходит внутри модели, тем меньше этапов постобработки, которые могут накапливать ошибки.
Keyterm Prompting — новинка версии
В V4 появилась функция keyterm prompting, работающая только с этой версией. Вы передаёте JSON-список до 50 терминов, каждый длиной до 64 символов. Эти ключевые слова смещают распознавание в нужную сторону, но не гарантируют результат. Если бренд вроде PhonePe должен остаться латиницей, рекомендуется использовать режим codemix.
На бенчмарке IndicContextEval (статья, представленная на Interspeech 2026) Saaras V4 показала 16,03% WER в конфигурации L5 с ключевыми подсказками — по заявлению компании, лучший результат на этом бенчмарке.
Стриминг, длинные записи и цены
Модель поддерживает несколько сценариев работы:
- Стриминг через WebSocket с частичными результатами и временем до первого токена менее 150 мс;
- REST — синхронная транскрипция клипов до 30 секунд;
- Batch — асинхронные задачи до 2 часов на файл с опциональной диаризацией спикеров.
Есть SDK для Python 3.9+ и Node.js 18+, а также интеграции с LiveKit Agents, Pipecat и Vercel AI SDK. Цена — ₹30 в час за распознавание речи в реальном времени, стриминге и пакетной обработке, и ₹45 в час с диаризацией. Saaras v3 остаётся моделью по умолчанию, но V4 использует ту же структуру запроса, так что переключение — это изменение одной строки.
Как это выглядит на фоне конкурентов
Sarvam сравнила свою модель с тремя системами: Deepgram Nova-3, ElevenLabs Scribe v2 и OpenAI GPT-4o Transcribe. Ключевые отличия выглядят так:
- Охват индийских языков: 22 у Sarvam, 11 у Deepgram, 1 у ElevenLabs, без разбивки по языкам у OpenAI;
- Всего языков: 23 у Saaras V4, 45+ у Deepgram, 90+ у ElevenLabs;
- Keyterm-подсказки: до 50 терминов у Sarvam, платная надстройка у Deepgram и ElevenLabs, свободный текстовый промпт у OpenAI;
- Встроенные режимы вывода: 5 у Sarvam, транскрипт со «Smart Formatting» у Deepgram, verbatim или no_verbatim у ElevenLabs, просто транскрипт у OpenAI;
- Цена: ₹30 в час у Sarvam против $0,0052 в минуту у Deepgram, $0,22 в час у ElevenLabs и примерно $0,006 в минуту у OpenAI.
Отдельно стоит отметить диаризацию спикеров: у Sarvam она доступна в пакетном API, у Deepgram поддерживает до 32 спикеров, у OpenAI вынесена в отдельную модель gpt-4o-transcribe-diarize, а у ElevenLabs пока отсутствует.
Что это значит на практике
Индия — одна из самых лингвистически сложных стран мира. Здесь сотни миллионов людей говорят на десятках языков, часто переключаясь между ними прямо внутри одного предложения. До сих пор создание качественной системы распознавания речи для такого контекста требовало либо отдельных моделей под каждый язык, либо компромиссов по точности.
Saaras V4 предлагает иной подход: единая модель, единый API, пять режимов вывода и встроенное определение языка. Для разработчиков это означает меньше интеграционной работы и меньше постобработки. Для бизнеса — возможность строить голосовые сервисы, которые одинаково хорошо работают в Мумбаи, Ченнаи и Дели.
Краткий вывод
Sarvam AI сделала ставку на архитектурную элегантность вместо масштабирования «в лоб». Компактный декодер Sarvam-3B, гибридная state-space архитектура и умный адаптер между энкодером и языковой моделью позволили охватить 22 индийских языка плюс английский в одной системе. Заявленные результаты по WER, устойчивость к шуму и скорость стриминга выглядят убедительно — хотя независимая проверка ещё впереди, а веса модели остаются закрытыми. Тем не менее сам факт появления такой модели говорит о том, что рынок речевых технологий для многоязычных регионов выходит на новый уровень, и Индия здесь оказывается не догоняющей, а задающей темп.
