Sarvam AI发布Saaras V4：支持22种印度官方语言及全球英语的语音识别模型
印度AI公司Sarvam AI正式推出语音识别模型Saaras V4，覆盖全部22种印度宪法附表所列语言及全球英语口音。该模型采用自研30亿参数混合状态空间解码器，支持5种输出模式与关键词提示功能，并通过API开放商用，定价为30卢比/小时。所有基准测试结果均由厂商自报，尚未见第三方复现。
全面覆盖印度语言与全球英语
Sarvam AI正式发布新一代语音识别模型Saaras V4。该模型是目前唯一公开宣称支持全部22种印度宪法附表所列语言（如印地语、泰米尔语、孟加拉语、古吉拉特语等）并兼容全球英语口音（含印度英语、美式、英式、澳式等）的商用STT系统。Sarvam声称其在全部22种语言上均达到当前最优（state-of-the-art）准确率。模型已通过Sarvam官方API开放调用，使用时指定`model="saaras:v4"`即可；但模型权重未开源，且其AWS SageMaker自托管文档目前仅覆盖前代Saaras v3。
架构设计：音频编码器+自研3B解码器
Saaras V4采用端到端的encoder-decoder架构。音频编码器将原始波形转化为富含语音学与声学信息的嵌入向量；随后通过一个时间下采样适配器压缩序列长度，并将其投影至语言模型的嵌入空间，从而保障长语音输入仍能适配解码器上下文窗口限制。解码器为Sarvam自研的30亿参数混合状态空间语言模型（Sarvam-3B），从零训练完成。它同步接收音频特征与文本提示（prompt），以自回归方式逐词生成转录文本。
多维度基准测试表现
在英语评测中，Sarvam在7个数据集上测试V4性能，包括AMI、GigaSpeech、LibriSpeech clean/other、SPGISpeech、VoxPopuli及AI4Bharat发布的印度口音数据集Svarah。所有指标按Hugging Face Open ASR Leaderboard标准化流程计算，Saaras V4在参测模型中取得最低平均词错误率（WER）。在印度语言评测平台Vistaar上，Sarvam报告了10种印度语言的WER与LLM-WER（引入语义校验，过滤拼写/格式等非实质错误）双指标结果。针对噪声环境（Kathbath Noisy数据集，含压缩、截断、强背景音录音），V4的LLM-WER错误率不足Deepgram Nova-3与GPT-4o Transcribe的一半。语言识别方面，在IndicVoices验证集上，Top 10印度语言识别错误率为2.9%，全部22种语言平均为5.22%。需强调：上述所有数据均为Sarvam单方面报告，尚无独立第三方复现或验证结果发布。
一模型五输出与关键词提示新能力
Saaras V4支持单一音频输入生成5种不同格式的输出，由请求参数`mode`控制：`transcribe`（默认，本地文字脚本，数字与日期标准化）、`verbatim`（逐字还原，保留填充词与口语化数字）、`codemix`（本地脚本中英文词汇原样保留）、`translit`（全文拉丁转写）、`translate`（英文翻译，数字标准化）。Sarvam指出，此类多样性内生于模型本身，可避免传统多阶段后处理带来的误差累积。V4新增关键词提示（Keyterm Prompting）功能，仅适用于`saaras:v4`，用户可通过JSON列表传入最多50个、每项不超过64字符的关键词，模型将据此对识别结果施加偏向性引导（非强制保证）。例如在`codemix`模式下，可确保品牌名（如PhonePe）始终以拉丁字母呈现。在Interspeech 2026收录的IndicContextEval评测中，V4在L5关键词提示设置下WER达16.03%，Sarvam称其为该基准当前最优成绩。
实时流式、长音频与商业化细节
Saaras V4提供三种接入方式：WebSocket流式接口（首字输出延迟TTFT < 150ms，支持实时部分结果）；REST同步接口（适用于≤30秒音频片段）；异步批量处理（单文件最长2小时，可选说话人分离）。SDK支持Python 3.9+、Node.js 18+，并已集成LiveKit Agents、Pipecat及Vercel AI SDK。定价为₹30/小时（实时、流式、批量通用），含说话人分离功能则为₹45/小时。Saaras v3仍为API默认模型，V4完全兼容现有请求结构，切换仅需一行代码修改。
对标竞品：语言覆盖与功能对比
Sarvam将V4与Deepgram Nova-3、ElevenLabs Scribe v2及OpenAI GPT-4o Transcribe进行横向对比（数据截至2026年9月26日各厂商公开文档）。关键差异包括：V4是唯一完整覆盖全部22种印度官方语言的模型；在关键词提示能力上，V4内置免费支持50词，而Deepgram与ElevenLabs需付费加购，OpenAI未明确支持；V4提供5种原生输出模式，竞品普遍仅支持基础转录或有限变体；实时流式响应延迟宣称低于150ms，与Scribe v2相当，优于GPT-4o Transcribe的文件流式方案；说话人分离仅V4与Deepgram在批量API中直接提供，ElevenLabs需额外调用，OpenAI则需专用模型。价格方面，V4按小时计费，显著低于ElevenLabs（$0.22/小时批量）与GPT-4o（约$0.006/分钟）。