2026年顶尖开源ASR模型对比：词错误率、语种支持、延迟与许可证

开源ASR领域已经超越了Whisper单一模型时代。2026年3月，Cohere发布了Transcribe（2B参数，Apache 2.0许可证），平均词错误率为5.42%；随后IBM的Granite Speech 4.1 2B以5.33%紧随其后。ARK-ASR-3B和MOSS-Transcribe-preview-2B后来也取得了更低的数字。然而，由于测试集组成不同，排行榜分数无法直接比较；Cohere的分数在ARK使用的相同七个测试集上重新计算后，从5.42%下降到5.84%。来自Appen的私有评估集进一步改变了排名。Cohere Transcribe拥有强大的生产环境支持和人工偏好优势。IBM Granite Speech 4.1提供更多功能，如关键词偏置和标点符号。Canary-Qwen-2.5B支持转录或大语言模型模式。Qwen3-ASR覆盖52种语言。在吞吐量方面，Parakeet TDT 0.6B v3以实时因子3332.74领先，而Granite Speech 4.2B-NAR是非自回归模型。在流式处理方面，Voxtral Mini 4B Realtime和Kyutai STT提供低延迟。Meta的Omnilingual ASR覆盖1600多种语言。Whisper large-v3因其MIT许可证和生态系统仍然具有相关性。Interfaze的diffusion-gemma-asr模型在架构上新颖，但不可部署。MOSS-Transcribe-Diarize集成了说话人标签。许可证选择出现分化：Apache 2.0（Cohere、IBM、Qwen），MIT（Whisper），CC-BY-4.0（Canary、Parakeet、Kyutai）。建议团队根据许可证、语言覆盖范围、流式处理与批量处理、自身音频的词错误率以及每音频小时成本进行评估。