2026年のトップオープンASRモデル：WER、対応言語、レイテンシ、ライセンス比較

オープンASRの分野はWhisperの一強時代を過ぎた。2026年3月、CohereはTranscribe（2B、Apache 2.0）をリリースし、平均WER（単語誤り率）5.42%を達成。続いてIBMのGranite Speech 4.1 2Bが5.33%を記録した。ARK-ASR-3BやMOSS-Transcribe-preview-2Bもその後、より低い数値を示した。しかし、リーダーボードのスコアはテストセットの構成が異なるため直接比較はできない。Cohereのスコアは、ARKと同じ7つのセットで再計算すると5.42%から5.84%に低下する。Appenのプライベート評価セットでは、さらにランキングが変動する。Cohere Transcribeはプロダクションサポートが強固で、人間の選好評価でも優位性がある。IBM Granite Speech 4.1はキーワードバイアシングや句読点など、より多くの機能を備える。Canary-Qwen-2.5Bは文字起こしモードとLLM（大規模言語モデル）モードの両方で動作する。Qwen3-ASRは52言語をカバーする。スループットでは、Parakeet TDT 0.6B v3がRTFx（リアルタイムファクター）3332.74でトップ、Granite Speech 4.2B-NARは非自己回帰モデルである。ストリーミング向けには、Voxtral Mini 4B RealtimeとKyutai STTが低レイテンシを実現する。MetaのOmnilingual ASRは1600以上の言語をカバーする。Whisper large-v3はMITライセンスとエコシステムにより、依然として重要な位置を占める。Interfazeのdiffusion-gemma-asrモデルはアーキテクチャ的に斬新だが、デプロイはできない。MOSS-Transcribe-Diarizeは話者ラベルを統合している。ライセンスの選択は分かれている：Apache 2.0（Cohere、IBM、Qwen）、MIT（Whisper）、CC-BY-4.0（Canary、Parakeet、Kyutai）。チームはライセンス、言語カバレッジ、ストリーミングかバッチか、自社音声のWER、音声1時間あたりのコストに基づいて評価することを推奨する。