2026主流开源语音识别模型横向评测：WER、语种、延迟与许可证

开源ASR不再唯Whisper独尊

过去十二个月间，开源语音识别（ASR）生态显著多元化。2026年3月，Cohere发布Apache 2.0许可的20亿参数模型Transcribe，以5.42%平均词错误率（WER）登顶Hugging Face Open ASR Leaderboard；五周后，IBM推出同为20亿参数的Granite Speech 4.1，WER降至5.33%；此后ARK-ASR-3B（5.04%）与MOSS-Transcribe-preview-2B进一步刷新下限。当前榜首模型WER差值已小于1个百分点，这意味着单纯依赖排名已无法支撑技术选型决策——许可证类型、支持语言数量、流式推理能力及每小时音频处理成本，正成为更实质的评估维度。

Leaderboard WER数值不可直接比较

Open ASR Leaderboard公布的平均WER并非统一基准下的固定指标。Cohere Transcribe的5.42%是基于8个英文测试集（含TED-LIUM）的加权均值；而ARK-ASR-3B的5.04%仅覆盖其中7个集合，明确排除了相对简单的TED-LIUM。若将Cohere原始分项成绩按ARK所用7集合重算，其WER升至5.84%；同理，Granite Speech 4.1的WER亦从5.33%上修至5.65%。这表明，在严格对齐测试条件下，ARK-ASR的实际领先优势被低估，而非缩小。此外，MOSS-Transcribe-preview-2B公开承认其模型经强化学习在Leaderboard训练集上微调，属典型的‘榜单拟合’；Appen提供的私有评测集（覆盖澳、加、印、美四国口音）启用后，原榜单第四名zoom/scribe_v1跃居第一，凸显模型在自发对话场景下的泛化短板。因此，Leaderboard仅宜用于初筛，不宜作为最终决策依据。

主流模型能力与限制对比

Cohere Transcribe（2B，Apache 2.0，14语言） 是当前唯一完成生产部署的开源ASR模型，近月下载量超62万次，支持transformers、vLLM、Apple Silicon专用mlx-audio、Rust移植版及WebGPU构建。其Conformer编码器+轻量Transformer解码器为从头训练。人类偏好评估显示，其在语义保真度、幻觉抑制与命名实体识别上平均胜率61%，显著优于IBM Granite 4.0 1B Speech（78%）及Whisper large-v3（64%）。但模型卡明确标注：无自动语言检测、无时间戳、无说话人分离，且易将静音误判为语音，需前置VAD或噪声门。值得注意的是，尽管采用Apache 2.0许可，其代码仓库仍需签署联系信息协议方可访问。

IBM Granite Speech 4.1 2B（2B，Apache 2.0） 更侧重综合能力而非单一WER数字：支持6种语言ASR及双向语音翻译，提供关键词列表偏置（适配专有名词与术语），具备标点生成与真正大小写恢复（含德语名词大写）。训练数据达174,000小时，实时因子（RTFx）为231.29。IBM同步发布两个衍生版本：-plus版增加说话人归属ASR与词级时间戳；-nar版暂未详述。

Canary-Qwen-2.5B（2.5B，CC-BY-4.0，仅英语） 采用FastConformer编码器与Qwen3-1.7B解码器组合，支持纯转录与LLM模式（后者可对文本摘要并回答问题），WER为5.63%，RTFx达418。其训练数据中AMI语料占比约15%，导致输出高度保留口语不流畅特征——这对法律笔录属优势，但对会议纪要则构成干扰。

Qwen3-ASR-1.7B（Apache 2.0） 覆盖52种语言及方言（含30种语言+22种中文方言），WER为5.76%，配套完整推理工具链与独立语音活动检测（VAD）模块。

编者观点

对中国AI企业而言，该评测揭示一个关键转向：开源ASR竞争已从“参数规模与WER数字军备竞赛”，升级为“工程可用性、合规灵活性与场景适配深度”的综合较量——许可证兼容性、多语种真实覆盖、低延迟流式能力及开箱即用的生产就绪度，正成为决定技术落地成败的核心变量。