Melhores Modelos ASR Abertos de 2026: Comparação de WER, Idiomas, Latência e Licenças

Nos últimos 12 meses, o mercado de reconhecimento automático de fala (ASR, na sigla em inglês) aberto deixou de ser uma monocultura do Whisper. Em março de 2026, a Cohere lançou o Transcribe (2 bilhões de parâmetros, Apache 2.0), que liderou o ranking do Open ASR Leaderboard no Hugging Face com uma taxa média de erro de palavras (WER, na sigla em inglês) de 5,42%. Cinco semanas depois, a IBM lançou o Granite Speech 4.1 2B com 5,33%, e em seguida o ARK-ASR-3B e o MOSS-Transcribe-preview-2B mostraram valores ainda mais baixos. Os líderes do ranking agora estão separados por menos de um ponto percentual de WER, tornando o ranking não o único critério de escolha. São importantes a licença, a cobertura de idiomas, o suporte a streaming e o custo por hora de áudio. O artigo observa que a média de WER no leaderboard não é um valor fixo: os modelos foram testados em diferentes conjuntos de dados. Por exemplo, o Cohere Transcribe obteve 5,42% em oito conjuntos de teste em inglês, incluindo TED-LIUM, enquanto o ARK-ASR-3B teve 5,04% em sete conjuntos sem TED-LIUM, o que infla sua média. Se recalcularmos o Cohere nos mesmos sete conjuntos, seu WER seria de 5,84%, e o Granite Speech 4.1 2B, 5,65%. Alguns modelos, como o MOSS-Transcribe-preview-2B, foram refinados com aprendizado por reforço nas divisões de treinamento do leaderboard, o que infla seus resultados. Conjuntos de teste privados da Appen alteram a ordem no ranking: neles, o zoom/scribe_v1 assume a liderança. Entre os modelos, destacam-se: Cohere Transcribe — 2 bilhões de parâmetros, Apache 2.0, 14 idiomas, baixado mais de 620.000 vezes no mês; Granite Speech 4.1 2B — Apache 2.0, 6 idiomas, ASR + tradução bidirecional de fala, RTFx 231,29; Canary-Qwen-2.5B — 2,5 bilhões de parâmetros, CC-BY-4.0, inglês, WER 5,63%, RTFx 418; Qwen3-ASR-1.7B — Apache 2.0, 52 idiomas e dialetos, WER 5,76%. Na categoria de capacidade de processamento, lideram: Parakeet TDT 0.6B v3 (0,6 bilhões de parâmetros, CC-BY-4.0, RTFx 3332,74, 25 idiomas europeus, WER 6,32%), Granite Speech 4.1 2B-NAR (não autorregressivo, RTFx ~1820) e Qwen3-ASR-0.6B (52 idiomas, RTFx ~2000). Para streaming: Voxtral Mini 4B Realtime 2602 (Apache 2.0, 13 idiomas, latência a partir de 80 ms, roda em GPU de 16 GB) e Kyutai STT (CC-BY-4.0, inglês/francês, latência de 0,5 s, com VAD semântico integrado). O Meta Omnilingual ASR (Apache 2.0) suporta nativamente mais de 1600 idiomas e até mais de 5400 por aprendizado zero-shot. O Whisper large-v3 (MIT, 99 idiomas) continua sendo a melhor escolha para projetos onde a mínima exigência de licenciamento é importante. Entre as novidades de pesquisa: diffusion-gemma-asr-small (geração por difusão paralela com remoção de ruído, 42 milhões de parâmetros treinados) e MOSS-Transcribe-Diarize 0.9B (Apache 2.0, mais de 50 idiomas, realiza reconhecimento e diarização em uma única passagem). Divisão de licenças: Apache 2.0 (Cohere Transcribe, Granite Speech, Qwen3-ASR, Voxtral Realtime, Omnilingual ASR, ARK-ASR, MOSS-Transcribe), MIT (Whisper large-v3) e CC-BY-4.0 (Canary-Qwen, Parakeet, Kyutai STT). A Meta divide as licenças: Apache 2.0 para modelos, CC-BY para o corpus. Recomenda-se escolher o modelo na seguinte ordem: licença, cobertura de idiomas, modo streaming ou lote, depois medição de WER em seus próprios dados de áudio e cálculo do custo por hora de áudio em seu próprio hardware. A principal conclusão: um modelo aberto com 2 bilhões de parâmetros sob licença permissiva agora supera o que as APIs fechadas ofereciam há 18 meses, e a escolha se resume a uma decisão de aquisição, não de pesquisa.