Sarvam AI 推出 Saaras V4：覆盖 22 种印度语言和英语的多语言语音识别模型

2026 年 8 月 24 日，Sarvam AI 正式发布了 Saaras V4，这是其语音识别平台的最新迭代。公司将该模型定位为一次性覆盖 22 种官方认可的印度语言以及英语的单一系统解决方案，这在商业语音引擎中极为罕见。

Sarvam AI 提供的技术说明显示，Saaras V4 采用专用音频编码器与混合状态空间大型语言模型（LLM）解码器相结合的架构。该解码器拥有三十亿参数，全部在内部完成训练，使 Sarvam AI 对数据管道、模型结构和优化流程保持完整控制。

集成转录模式消除后处理步骤

Saaras V4 的一大亮点是引入了五种直接嵌入引擎的转录模式：转录（transcribe）、逐字（verbatim）、代码混合（codemix）、音译（translit）以及翻译（translate）。通过内置这些功能，模型无需额外的后处理阶段，从而避免了传统流程中常见的对齐错误、格式不匹配或语言识别失误。

转录模式输出干净、带标点的文本，适用于一般应用；逐字模式保留所有填充词、犹豫声和非词汇音，对法律或医学记录尤为有用；代码混合模式能够处理单句中混杂多语言的讲话，这在印度的多语言环境中非常常见；音译模式将口语内容转换为目标文字脚本；翻译模式则直接生成英语译文，实现跨语言可访问性，无需外部翻译管道。

性能声明与外部验证限制

Sarvam AI 声称 Saaras V4 在全部 22 种印度语言以及包括全球口音和印度英语变体在内的七套英语基准测试中，实现了最低的字错误率（WER）。这些数据均来源于内部基准，尚未发布独立复现研究或第三方审计结果。

缺乏外部验证意味着组织在采用时必须将这些 WER 数据视为暂定值。内部测试虽能在受控条件下展示强劲表现，但实际部署常会遇到噪声环境、说话人群体特征和方言差异，这些因素往往与训练语料库不完全吻合。在同行评审评估出现之前，Saaras V4 相较竞争系统的具体提升幅度仍不确定。

对噪声、代码混合和方言的鲁棒性

根据 Sarvam AI 的内部测试，Saaras V4 在嘈杂录音中保持稳健，能够处理代码混合语音并适应方言变化。公司报告前十大使用语言的语言识别错误率为 2.9%，全部 22 种语言的错误率为 5.22%。这些数字表明，即使说话人在同一句话中切换语言，模型仍能可靠地检测出所使用的语言。

上述鲁棒性声明基于内部评估协议，模拟了背景噪声和混合语言输入。目前尚未公开相应数据集或可复现的脚本，这限制了外部研究者验证模型在不利声学条件下容忍度的能力。

流式延迟与部署考量

Saaras V4 宣称支持低延迟流式处理。官方文档指出首个 token 的响应时间小于 150 毫秒，且引擎能够以每秒一秒音频的速度处理多分钟录音。这些指标对实时转录服务、呼叫中心分析以及现场字幕等场景至关重要。

然而，目前的自托管指南仅覆盖平台的第 3 版，缺少针对第 4 版的本地部署文档，这对因数据隐私或网络限制必须本地部署的组织构成障碍。客户可能需要暂时依赖 Sarvam AI 的托管云服务，直至新版部署指南正式发布。

• 三十亿参数混合状态空间 LLM 解码器
• 五种内置转录模式（转录、逐字、代码混合、音译、翻译）
• 语言识别错误率：前 10 大语言 2.9%，全部 22 种语言 5.22%
• 流式延迟：首 token <150 ms，处理速度 1× 实时

定价透明且分层。Sarvam AI 将实时或批量转录的费用定为每小时 30 ₹，若额外启用说话人分离功能，则提升至每小时 45 ₹。这些费用适用于托管服务；模型权重本身未以开源形式发布，因而无法直接修改或再分发。

模型权重的闭源属性意味着组织无法审计底层架构以检查偏见、安全漏洞或是否符合当地监管要求。虽然定价结构简洁明了，但缺乏模型透明度可能影响那些将可审计性置于采购决策核心的机构。

从实际操作角度看，企业在决定采用 Saaras V4 时，需要权衡其多语言一体化优势与外部验证不足以及本地部署文档缺失的风险。模型对代码混合和方言变体的处理能力契合印度市场的语言现实，或可降低对多套专用引擎的需求。

尽管如此，组织仍应规划验证阶段，包括在自有音频库上进行试点测试、测量网络环境下的延迟表现，以及评估针对特定方言的语言识别准确率。此类试验能够揭示 Sarvam AI 所报告的内部基准与实际生产环境中性能之间的差距。

总之，Saaras V4 对 Sarvam AI 来说是一项重要技术进步，提供了覆盖广泛印度语言和英语的统一解决方案，并具备多种转录选项与低延迟流式能力。公司内部声称的先进准确率和鲁棒性令人期待，但缺乏独立验证以及有限的部署文档仍带来可量化的风险。采用该服务的组织应进行充分的内部测试，考虑闭源模型的影响，并在大规模关键任务部署前关注自托管指南的后续更新。