Beste Open-ASR-Modelle 2026: WER, Sprachen, Latenz und Lizenzen im Vergleich

In den letzten 12 Monaten hat sich der Markt für Open-Source-Spracherkennung (Automatic Speech Recognition, ASR) von einer Monokultur rund um Whisper verabschiedet. Im März 2026 veröffentlichte Cohere Transcribe (2 Milliarden Parameter, Apache 2.0), das mit einer durchschnittlichen Wortfehlerrate (Word Error Rate, WER) von 5,42 % die Spitze der Open ASR Leaderboard auf Hugging Face erklomm. Fünf Wochen später brachte IBM Granite Speech 4.1 2B mit einer WER von 5,33 % heraus, und ARK-ASR-3B sowie MOSS-Transcribe-preview-2B erzielten noch niedrigere Werte. Die Spitzenreiter trennt nun weniger als ein Prozentpunkt in der WER, was das Ranking nicht mehr zum alleinigen Entscheidungskriterium macht. Entscheidend sind Lizenz, Sprachabdeckung, Streaming-Unterstützung und Kosten pro Audiostunde. Der Artikel weist darauf hin, dass der durchschnittliche WER-Wert auf dem Leaderboard keine feste Größe ist: Die Modelle wurden auf verschiedenen Datensätzen getestet. So erzielte Cohere Transcribe 5,42 % auf acht englischen Testdatensätzen, darunter TED-LIUM, während ARK-ASR-3B auf sieben Datensätzen ohne TED-LIUM einen Wert von 5,04 % erreichte, was seinen Durchschnitt nach oben treibt. Berechnet man Cohere auf denselben sieben Datensätzen, liegt die WER bei 5,84 %, Granite Speech 4.1 2B bei 5,65 %. Einige Modelle wie MOSS-Transcribe-preview-2B wurden mit Reinforcement Learning auf Trainingsabschnitten des Leaderboards nachtrainiert, was ihre Ergebnisse verfälscht. Private Testdatensätze von Appen verändern die Rangfolge: Auf diesen liegt zoom/scribe_v1 an der Spitze. Unter den Modellen ragen hervor: Cohere Transcribe – 2B, Apache 2.0, 14 Sprachen, über 620.000 Downloads im Monat; Granite Speech 4.1 2B – Apache 2.0, 6 Sprachen, ASR + bidirektionale Sprachübersetzung, RTFx 231,29; Canary-Qwen-2.5B – 2,5B, CC-BY-4.0, Englisch, WER 5,63 %, RTFx 418; Qwen3-ASR-1.7B – Apache 2.0, 52 Sprachen und Dialekte, WER 5,76 %. In der Kategorie Durchsatz führen: Parakeet TDT 0.6B v3 (0,6B, CC-BY-4.0, RTFx 3332,74, 25 europäische Sprachen, WER 6,32 %), Granite Speech 4.1 2B-NAR (nicht-autoregressiv, RTFx ~1820) und Qwen3-ASR-0.6B (52 Sprachen, RTFx ~2000). Für Streaming geeignet: Voxtral Mini 4B Realtime 2602 (Apache 2.0, 13 Sprachen, Latenz ab 80 ms, läuft auf 16 GB GPU) und Kyutai STT (CC-BY-4.0, Englisch/Französisch, Latenz 0,5 s, mit integriertem semantischem VAD). Meta Omnilingual ASR (Apache 2.0) unterstützt nativ über 1600 Sprachen und per Zero-Shot-Lernen bis zu über 5400. Whisper large-v3 (MIT, 99 Sprachen) bleibt die beste Wahl für Projekte, bei denen minimale Lizenzbelastung wichtig ist. Zu den Forschungneuheiten gehören: diffusion-gemma-asr-small (parallele Diffusions-Denoising-Generierung, 42 Millionen trainierte Parameter) und MOSS-Transcribe-Diarize 0.9B (Apache 2.0, über 50 Sprachen, führt Erkennung und Diarisierung in einem Durchlauf durch). Lizenzaufteilung: Apache 2.0 (Cohere Transcribe, Granite Speech, Qwen3-ASR, Voxtral Realtime, Omnilingual ASR, ARK-ASR, MOSS-Transcribe), MIT (Whisper large-v3) und CC-BY-4.0 (Canary-Qwen, Parakeet, Kyutai STT). Meta trennt Lizenzen: Apache 2.0 für Modelle, CC-BY für Korpora. Es wird empfohlen, ein Modell in folgender Reihenfolge auszuwählen: Lizenz, Sprachabdeckung, Streaming- oder Batch-Modus, dann Messung der WER auf eigenen Audiodaten und Berechnung der Kosten pro Audiostunde auf eigener Hardware. Das wichtigste Fazit: Ein offenes Modell mit 2 Milliarden Parametern unter einer permissiven Lizenz übertrifft heute das, was geschlossene APIs vor 18 Monaten boten. Die Entscheidung wird damit eher zu einer Beschaffungsfrage als zu einer Forschungsfrage.