2026年最佳开源ASR模型：词错误率、语种、延迟与许可证对比

在过去12个月里，开源语音识别（ASR）市场已不再是Whisper一家独大。2026年3月，Cohere发布了Transcribe（20亿参数，Apache 2.0许可），以平均词错误率（WER）5.42%的成绩领跑Hugging Face上的Open ASR排行榜。五周后，IBM发布了Granite Speech 4.1 2B，成绩为5.33%，随后ARK-ASR-3B和MOSS-Transcribe-preview-2B也取得了更低的数值。现在，排名靠前的模型之间WER差距不到一个百分点，这使得排行榜不再是唯一的选型标准。许可证、语言覆盖、流式支持以及每小时音频的成本同样重要。文章指出，排行榜上的平均WER并非固定值：不同模型是在不同数据集上测试的。例如，Cohere Transcribe在包括TED-LIUM在内的八个英语测试集上得到5.42%，而ARK-ASR-3B在没有TED-LIUM的七个测试集上得到5.04%，这虚高了它的平均值。如果按那七个测试集重新计算，Cohere的WER将是5.84%，Granite Speech 4.1 2B则是5.65%。有些模型如MOSS-Transcribe-preview-2B，在排行榜的训练集上进行了强化学习微调，这虚高了它们的成绩。来自Appen的私有测试集改变了排名顺序：在其上，zoom/scribe_v1成为第一名。值得关注的模型包括：Cohere Transcribe——20亿参数，Apache 2.0许可，支持14种语言，月下载量超过62万次；Granite Speech 4.1 2B——Apache 2.0许可，6种语言，支持ASR加双向语音翻译，实时因子（RTFx）231.29；Canary-Qwen-2.5B——25亿参数，CC-BY-4.0许可，英语，WER 5.63%，RTFx 418；Qwen3-ASR-1.7B——Apache 2.0许可，52种语言和方言，WER 5.76%。在吞吐量方面领先的模型有：Parakeet TDT 0.6B v3（6亿参数，CC-BY-4.0许可，RTFx 3332.74，支持25种欧洲语言，WER 6.32%），Granite Speech 4.1 2B-NAR（非自回归版本，RTFx约1820），以及Qwen3-ASR-0.6B（支持52种语言，RTFx约2000）。流式处理方面：Voxtral Mini 4B Realtime 2602（Apache 2.0许可，13种语言，延迟从80毫秒起，可在16 GB GPU上运行）和Kyutai STT（CC-BY-4.0许可，英语/法语，延迟0.5秒，内置语义语音活动检测VAD）。Meta的Omnilingual ASR（Apache 2.0许可）原生支持1600多种语言，通过零样本学习可扩展到5400多种语言。Whisper large-v3（MIT许可，99种语言）仍然是追求最小许可证负担项目的最佳选择。研究新品方面：diffusion-gemma-asr-small（并行扩散去噪生成，4200万训练参数）和MOSS-Transcribe-Diarize 0.9B（Apache 2.0许可，50多种语言，一次前向传播同时完成识别和说话人分离）。许可证分类：Apache 2.0许可（Cohere Transcribe、Granite Speech、Qwen3-ASR、Voxtral Realtime、Omnilingual ASR、ARK-ASR、MOSS-Transcribe），MIT许可（Whisper large-v3），CC-BY-4.0许可（Canary-Qwen、Parakeet、Kyutai STT）。Meta使用混合许可：模型用Apache 2.0，语料库用CC-BY。建议按以下顺序选择模型：许可证、语言覆盖、流式或批处理模式，然后用自己的音频数据测量WER，并在自己的硬件上计算每小时音频成本。主要结论：现在，一个具有20亿参数、采用宽松许可证的开源模型已经超过了18个月前闭源API所能提供的水平，选择成为一个采购决策而非研究决策。