Sarvam AI 推出 Saaras V4：支援 22 種印度語言與英語的多語言語音辨識模型

2026 年 8 月 24 日，Sarvam AI 正式發表 Saaras V4，這是其語音辨識平台的最新一代。公司將此模型定位為單一系統解決方案，能同時處理 22 種官方認可的印度語言以及英語，這樣的覆蓋範圍在商業語音引擎中相當罕見。

Sarvam AI 提供的技術說明指出，Saaras V4 結合了專屬的音訊編碼器與混合式狀態空間大型語言模型（LLM）解碼器。該解碼器擁有三十億個參數，全部在公司內部完成訓練，意味著 Sarvam AI 完全掌控資料管道、模型架構與最佳化流程。

整合式轉寫模式免除後製步驟

Saaras V4 的一大亮點是直接在引擎內提供五種轉寫模式：transcribe（普通轉寫）、verbatim（逐字稿）、codemix（混語轉寫）、translit（音譯）與 translate（翻譯）。透過內建這些功能，模型省去傳統上需要的後製程序，避免因對齊錯誤、格式不符或語言辨識失誤而產生的問題。

transcribe 模式輸出乾淨且加標點的文字，適用於一般應用；verbatim 模式則保留所有填充詞、停頓與非語彙聲音，對法律或醫療記錄尤為重要；codemix 能處理單句內混合多種語言的語音，這在印度多語環境中相當常見；translit 會將口語內容轉換為目標文字系統；translate 直接產生英文譯本，讓跨語言存取不必依賴外部翻譯管線。

效能聲稱與外部驗證限制

Sarvam AI 表示，Saaras V4 在所有 22 種印度語言以及七組包含全球口音與印度英語變體的英文基準測試上，皆取得最低的字錯率（WER）。這些數據皆來自內部基準，且公司尚未公布獨立複製研究或第三方審核結果。

缺乏外部驗證意味著組織必須將報告的 WER 數值視為暫定。內部測試雖能在受控條件下展示強勁表現，實際部署時卻常遭遇與訓練語料不同的聲學環境、說話者人口統計與方言變異。直到有同行評審的評估公布前，與競爭系統的實際提升幅度仍不確定。

對噪音、混語與方言的韌性

根據 Sarvam AI 的內部測試，Saaras V4 在噪音錄音中仍具韌性，能處理混語語音並適應方言變化。公司報告十大最常使用的印度語言語言辨識錯誤率為 2.9%，全套 22 種語言則為 5.22%。這顯示模型即使在說話者於單句內切換語言時，也能可靠偵測語言。

這些韌性主張基於內部評估流程，模擬背景噪音與混合語言輸入。Sarvam AI 尚未釋出公開資料集或可重現的腳本，限制了外部研究人員驗證模型在惡劣聲學條件下的容忍度。

串流延遲與部署考量

Saaras V4 被宣稱支援低延遲串流。文件指出首個 token 的產生時間低於 150 毫秒，且引擎可以「一秒音訊對應一秒運算」的速度處理多分鐘錄音。這些指標對即時轉寫服務、客服中心分析與即時字幕等應用相當關鍵。

然而，目前的自行部署指南僅涵蓋平台第 3 版。缺乏第 4 版的本地部署文件，對於因資料隱私法規或網路限制必須在內部部署的組織構成障礙。客戶可能需要暫時依賴 Sarvam AI 的受管雲端服務，直至新版部署指南正式發布。

• 三十億參數混合式狀態空間 LLM 解碼器
• 五種內建轉寫模式（transcribe、verbatim、codemix、translit、translate）
• 語言辨識錯誤率：2.9%（前 10 種語言），5.22%（全部 22 種）
• 串流延遲：首 token <150 ms，處理速度 1× 實時

價格透明且分層。Sarvam AI 列出即時或批次轉寫每小時 30 印度盧比，若加上說話者分離功能則升至每小時 45 印度盧比。此費用僅適用於雲端服務；模型權重本身未以開源方式釋出，無法直接修改或再分發。

模型權重的封閉性意味著組織無法自行審查底層架構是否存在偏見、安全漏洞或是否符合在地法規。雖然收費結構簡單明瞭，但缺乏模型開放性可能影響那些重視透明度的採購決策。

從實務角度看，欲導入 Saaras V4 的企業必須權衡其整合式多語言能力與外部驗證及本地部署不確定性之間的利弊。模型對混語與方言的處理能力符合多數印度市場的語言現實，或可減少對多套專門引擎的需求。

儘管如此，組織仍應規劃驗證階段，包括在自有音訊資料上進行試點測試、測量網路環境下的延遲，以及針對實際遇到的方言評估語言辨識準確度。此類試驗能揭露 Sarvam AI 內部基準與實際生產環境表現之間的差距。

總結而言，Saaras V4 為 Sarvam AI 帶來重要的技術突破，提供涵蓋廣泛印度語言與英語的統一解決方案，並具備多樣轉寫選項與低延遲串流特性。公司宣稱的最先進準確度與韌性令人期待，但缺乏獨立驗證與有限的部署文件仍帶來可量化風險。採用此服務的組織應進行徹底的內部測試、考量封閉模型的影響，並持續關注自行部署指南的後續更新，方能在大規模、關鍵任務的部署上作出明智決策。