据MarkTechPost报道，Sarvam AI于9月26日发布第四代语音识别模型Saaras V4，覆盖22种印度附表语言和英语，并纳入全球英语口音。该模型即日起通过Sarvam API提供，调用参数为model=“saaras:v4”；权重未公开，Sarvam的SageMaker自托管文档目前仍只覆盖Saaras v3。
Saaras V4采用编码器-解码器结构。音频编码器把波形转换为携带语音和声学细节的嵌入，时间下采样适配器随后缩短序列并投影到语言模型嵌入空间，使长录音处于解码器上下文预算内。解码器为Sarvam-3B，是Sarvam内部从零训练的30亿参数混合状态空间语言模型；它读取音频特征和文本提示后自回归输出转写，并把每个生成的词元反馈为下一步输入。
基准测试方面，Sarvam用7个英语数据集评估Saaras V4，其中6个来自Hugging Face开放ASR榜单，另一个是AI4Bharat带印度口音的Svarah。Sarvam称，在参与对比的模型中，Saaras V4取得最低平均词错误率。在Vistaar上，该公司报告了10种印度语言的词错误率和LLM-WER；LLM-WER加入语义检查，用于区分真实语义错误与印度文字中常见的拼写或格式差异。在Kathbath Noisy上以LLM-WER衡量，Sarvam称其错误率不到Deepgram Nova-3和GPT-4o Transcribe的一半，该数据集包含压缩、削波和背景噪声较重的录音。语言识别方面，在经核验的IndicVoices语句上，前10种印度语言识别错误率为2.9%，全部22种为5.22%。上述数字均由厂商提供，独立复现尚未公布。
同一模型可通过mode参数输出5种结果：transcribe为默认，使用本地文字并归一化数字和日期；verbatim保留每个口语词、填充词和口播数字；codemix保留本地文字但英文单词仍用英文；translit把整句转为拉丁字母；translate输出英文翻译并归一化数字。Sarvam称，把这些处理放在模型内部可减少后处理步骤叠加的错误。
V4新增关键词语提示功能，仅适用于saaras:v4。用户可在keyterms下传入JSON列表，最多50个词，每个词最长64个字符。这些关键词用于偏置识别，并不保证出现在输出中；如果品牌名如PhonePe必须保持拉丁字母，应使用codemix模式。在IndicContextEval（Interspeech 2026论文）的L5关键词提示设置中，Saaras V4报告16.03%的词错误率，Sarvam称这是该基准上的最低分。
部署方面，WebSocket流式支持部分结果，首词元时间低于150毫秒；REST同步转写支持最长30秒片段；批处理异步任务单文件最长2小时，可选说话人分离。SDK支持Python 3.9+和Node.js 18+，并集成LiveKit Agents、Pipecat和Vercel AI SDK。Sarvam列出的语音转文本价格为实时、流式和批处理每小时30印度卢比，带说话人分离每小时45印度卢比。Saaras v3仍是默认模型，V4请求结构与v3相同，切换只需改一行。
Sarvam还把Saaras V4与Deepgram Nova-3、ElevenLabs Scribe v2和OpenAI GPT-4o Transcribe对比，数据来自各厂商公开文档和定价页。按这些材料，Saaras V4覆盖22种印度附表语言、总计23种语言；Deepgram Nova-3为11种印度语言、总计45种以上；ElevenLabs Scribe v2为14种印度语言、总计90种以上；OpenAI GPT-4o Transcribe未按语言列出，标为多语言。