2026'nın En İyi Açık ASR Modelleri: WER, Diller, Gecikme ve Lisans Karşılaştırması

Açık ASR alanı, Whisper tek kültürünün ötesine geçti. Mart 2026'da Cohere, %5,42 ortalama WER ile Transcribe'ı (2B, Apache 2.0) yayınladı; onu IBM'in %5,33 ile Granite Speech 4.1 2B modeli izledi. ARK-ASR-3B ve MOSS-Transcribe-preview-2B daha sonra daha düşük rakamlar bildirdi. Ancak lider tablosu puanları, farklı test seti bileşimleri nedeniyle doğrudan karşılaştırılabilir değil; Cohere'ın puanı, ARK ile aynı yedi set üzerinde yeniden hesaplandığında %5,42'den %5,84'e düşüyor. Appen'den özel değerlendirme setleri sıralamayı daha da değiştiriyor. Cohere Transcribe, güçlü üretim desteğine ve insan tercihi kazanımlarına sahiptir. IBM Granite Speech 4.1, anahtar kelime yönlendirme ve noktalama işaretleri gibi daha fazla özellik sunar. Canary-Qwen-2.5B, transkripsiyon veya LLM modunda çalışır. Qwen3-ASR, 52 dili kapsar. Verim için, Parakeet TDT 0.6B v3, RTFx 3332,74 ile başı çekerken, Granite Speech 4.2B-NAR otoregresif değildir. Gerçek zamanlı akış için Voxtral Mini 4B Realtime ve Kyutai STT düşük gecikme süresi sunar. Meta'nın Omnilingual ASR'si 1600'den fazla dili kapsar. Whisper large-v3, MIT lisansı ve ekosistemi nedeniyle geçerliliğini koruyor. Interfaze'den diffusion-gemma-asr modeli mimari olarak yenidir ancak dağıtılabilir değildir. MOSS-Transcribe-Diarize, konuşmacı etiketlerini entegre eder. Lisans seçenekleri ikiye ayrılır: Apache 2.0 (Cohere, IBM, Qwen), MIT (Whisper), CC-BY-4.0 (Canary, Parakeet, Kyutai). Ekiplerin lisans, dil kapsamı, akış ve toplu işleme, kendi ses WER'leri ve ses-saat başına maliyet temelinde değerlendirme yapmaları önerilir.