2026 के शीर्ष ओपन ASR मॉडल: WER, भाषाएं, विलंबता और लाइसेंस तुलना
Cohere
IBM
NVIDIA
Alibaba/Qwen
Mistral
Kyutai
Meta
OpenAI
ओपन स्पीच रिकॉग्निशन का परिदृश्य Whisper से आगे बढ़ गया है, कई मॉडल ओपन ASR लीडरबोर्ड पर 6% से कम WER हासिल कर रहे हैं। प्रमुख विकासों में Cohere Transcribe, IBM Granite Speech 4.1, और थ्रूपुट, स्ट्रीमिंग तथा भाषा कवरेज के लिए विभिन्न मॉडल शामिल हैं। रिपोर्ट इस बात पर जोर देती है कि लाइसेंस, भाषा समर्थन, थ्रूपुट और स्ट्रीमिंग क्षमता अब कच्चे लीडरबोर्ड रैंक से अधिक महत्वपूर्ण हैं।
ओपन एएसआर क्षेत्र व्हिस्पर एकल संस्कृति (वन कल्चर) से आगे बढ़ चुका है। मार्च 2026 में, कोहेयर (कोहेयर) ने ट्रांसक्राइब (2बी, अपाचे 2.0) जारी किया, जिसका औसत डब्ल्यूईआर (वर्ड एरर रेट) 5.42% था, उसके बाद आईबीएम (आईबीएम) का ग्रेनाइट स्पीच (ग्रेनाइट स्पीच) 4.1 2बी 5.33% के साथ आया। एआरके-एएसआर-3बी और एमओएसएस-ट्रांसक्राइब-प्रीव्यू-2बी ने बाद में कम आंकड़े दिए। हालांकि, लीडरबोर्ड स्कोर सीधे तुलनीय नहीं हैं क्योंकि परीक्षण सेट की संरचना अलग-अलग है; जब एआरके के समान सात सेटों पर पुनर्गणना की जाती है, तो कोहेयर का स्कोर 5.42% से गिरकर 5.84% हो जाता है। एपेन (एपेन) से निजी मूल्यांकन सेट रैंकिंग को और पुनर्व्यवस्थित करते हैं। कोहेयर ट्रांसक्राइब में मजबूत उत्पादन समर्थन और मानव प्राथमिकता जीत है। आईबीएम ग्रेनाइट स्पीच 4.1 अधिक सुविधाएँ प्रदान करता है जैसे कीवर्ड बायसिंग (कीवर्ड बायसिंग) और विराम चिह्न। कनारी-क्वेन-2.5बी ट्रांसक्रिप्शन या एलएलएम मोड में चलता है। क्वेन3-एएसआर 52 भाषाओं को कवर करता है। थ्रूपुट के लिए, पैरेकीट टीडीटी 0.6बी वी3 आरटीएफएक्स 3332.74 पर अग्रणी है, जबकि ग्रेनाइट स्पीच 4.2बी-एनएआर गैर-ऑटोरेग्रेसिव है। स्ट्रीमिंग के लिए, वोक्सट्रल मिनी 4बी रियलटाइम और क्युटाई एसटीटी कम विलंबता प्रदान करते हैं। मेटा (मेटा) का ओम्नीलिंगुअल एएसआर 1600 से अधिक भाषाओं को कवर करता है। व्हिस्पर लार्ज-वी3 अपने एमआईटी लाइसेंस और पारिस्थितिकी तंत्र के कारण प्रासंगिक बना हुआ है। इंटरफेज़ (इंटरफेज़) का डिफ्यूजन-जेम्मा-एएसआर मॉडल आर्किटेक्चरली नया है लेकिन तैनाती योग्य नहीं है। एमओएसएस-ट्रांसक्राइब-डायराइज़ स्पीकर लेबल को एकीकृत करता है। लाइसेंस विकल्प विभाजित हैं: अपाचे 2.0 (कोहेयर, आईबीएम, क्वेन), एमआईटी (व्हिस्पर), सीसी-बाय-4.0 (कनारी, पैरेकीट, क्युटाई)। टीमों को लाइसेंस, भाषा कवरेज, स्ट्रीमिंग बनाम बैच, अपने स्वयं के ऑडियो डब्ल्यूईआर और प्रति ऑडियो-घंटे की लागत के आधार पर मूल्यांकन करने की सलाह दी जाती है।
स्रोत: MarkTechPost —
मूल