2026年主要オープン音声認識モデル比較
2026 年のオープンソース音声認識モデル市場がワーストエラー率（WER）の微小差で激化し、ベンチマークの数値比較からライセンスや実装コストへの判断基準シフトを促す重要な分析記事である。
キーポイント
モデル性能の極小化と評価基準の転換
Cohere、IBM、ARK などの主要モデルが WER 5.0%台で競合しており、単純なランク付けでは選定不能となったため、ライセンスや言語対応、コストが決定要因となっている。
ベンチマーク数値の比較可能性への警鐘
各モデルの評価データセット（TED-LIUM の有無など）に差異があり、公表された WER 値をそのまま比較することは誤解を招く可能性があることが指摘されている。
ベンチマーク適合と非公開データのリスク
一部のモデルはリーダーボード自体への学習（オーバーフィッティング）が行われており、また非公開のアクセントデータセットでは順位が逆転するケースがあるため、実際の能力評価には注意が必要である。
Cohere Transcribe の実用性と制限
生産環境向けに最適化されたモデルですが、自動言語検出やタイムスタンプ機能が欠けており、沈黙を誤って転写する傾向があるため VAD などの事前処理が必要です。
Granite Speech 4.1 の多機能性
特定の専門用語や固有名詞のバイアス機能、ドイツ語名詞の大文字化を含む正確な句読点と真実性を備え、6 か国語での ASR と双方向音声翻訳に対応しています。
Canary-Qwen の LLM 統合モード
純粋な転写に加え、LLM モードで要約や質問応答が可能であり、訓練データに AMI が過剰サンプリングされているため法的文書向けには有利ですが、会議メモではノイズとなる可能性があります。
非自己回帰モデルの高速化とトレードオフ
Granite Speech 4.1 2B-NAR は双方向 LLM を用いた単一順伝播で編集を行う非自己回帰方式により、H100 で RTFx ~1820 の驚異的なスループットを達成しましたが、その代償として日本語や音声翻訳などの機能を排除しています。
重要な引用
The top of that leaderboard is now separated by less than one WER point. That has a specific consequence for anyone choosing a model: rank is no longer the deciding variable.
Do not use it to pick a winner.
Some scores are openly leaderboard-fitted... but it means the score measures the benchmark rather than the capability.
The limitations section of its model card is unusually honest and should be read before committing.
Accuracy across the top of the field now varies by about one WER point. Throughput varies by more than an order of magnitude, which means throughput usually decides the invoice.
For voice agents, the semantic VAD matters more than the transcription delay — it predicts when the speaker has actually finished, which is what governs perceived turn-taking latency.
影響分析・編集コメントを表示
影響分析
この記事は、ASR モデル選定における「数値至上主義」からの脱却を促す重要な転換点を示しています。技術的な性能差が極小化した現在、開発者はライセンスの柔軟性や運用コストといった実務的要因を優先せざるを得なくなり、オープンソースコミュニティの動向や企業戦略に大きな影響を与えるでしょう。
編集コメント
2026 年という近未来の文脈において、ASR モデルの性能が飽和状態に達し、選定基準が「何ができるか」から「どう使えるか」へとシフトしている様子が鮮明に描かれています。ベンチマーク数値の比較における落とし穴を指摘する点は、実務家にとって極めて示唆に富む内容です。
ここ数ヶ月、オープンソースの音声認識（ASR）の世界は「Whisper 一強」の状況から脱却しました。2026 年 3 月、Cohere は Apache 2.0 ライセンスの 2B パラメータモデル「Transcribe」をリリースし、平均単語誤り率（WER）5.42% で Hugging Face のオープン ASR リーダーボード首位に躍り出ました。それからわずか 5 週間後には IBM が Granite Speech 4.1（2B）を登場させ、WER を 5.33% に更新。その後も ARK-ASR-3B や MOSS-Transcribe-preview-2B など、さらに低い数値を記録するモデルが続々と現れています。
現在、リーダーボードのトップ争いは WER で 1 ポイント未満の僅差となっています。これはモデル選定において決定的な変化をもたらしました。もはや「順位」だけで選ぶ時代は終わりました。重要なのはライセンス条件、対応言語のカバレッジ、ストリーミング処理への対応、そして音声時間あたりのコストです。本記事では、これらの観点から主要モデルを比較検討します。
(function(){
window.addEventListener("message", function(e){
if(!e.data || typeof e.data.mtpAsrHeight !== "number") return;
var f = document.getElementById("mtp-asr-explorer");
if(f) f.style.height = e.data.mtpAsrHeight + "px";
});
})();
まず、誰もが引用するリーダーボードの数値には注意が必要です。
「Open ASR Leaderboard」の平均値は単一の固定値ではなく、現在並列して表示されているモデルたちは、すべて同じ基準で評価されたわけではありません。
Cohere の 5.42% という数値は、TED-LIUM を含む 8 つの英語テストセット全体での平均です。この計算は正確に合致しています。AMI（8.13）、Earnings-22（10.86）、GigaSpeech（9.34）、LibriSpeech clean（1.25）、LibriSpeech other（2.37）、SPGISpeech（3.08）、TED-LIUM（2.49）、VoxPopuli（5.87）の 8 つの数値を平均すると、確かに 5.42% になります。
ARK-ASR-3B の 5.04% という数値は、7 つのセット全体での平均値です。TED-LIUM は含まれていません。MOSS-Transcribe-preview-2B のカードには明確に「TED-LIUM は現在のリーダーボード評価に含まれておらず、除外されている」と記載されています。
TED-LIUM はスイートの中で比較的容易なセットの一つであるため、これを外すと平均値は上昇します。Cohere が公表した各データセットごとのスコアを ARK と同じ 7 セットで再計算すると、5.42% ではなく 5.84% となります。Granite Speech 4.1 2B も同様に計算し直すと、5.33% から 5.65% に変動します。条件を揃えて比較すれば、ARK のリードは表面の数値が示すよりも大きく、小さくはないことがわかります。重要なのは、公表された数値同士を引き算して意味のある結論を導き出せないということです。
さらに、同じページに記載すべき注意点が 2 つあります。
一部のスコアはリーダーボードへの適合（オーバーフィッティング）が含まれています：MOSS-Transcribe-preview-2B のカードには、このモデルが Open ASR Leaderboard のトレーニングスプリットに対して強化学習で微調整されたことが明記されています。これは開示されており、多くの場合よりも透明性が高いですが、そのスコアは能力そのものではなくベンチマークへの適合度を測っていることを意味します。
非公開の評価データセットが順位を左右します：Appen は、オーストラリア、カナダ、インド、アメリカのアクセントを持つ、台本あり・会話型の両方の条件をカバーした評価セットを提供しました。これらの非公開セットを評価に含めると、zoom/scribe_v1 は 4 位から 1 位へ浮上し、公的なリーダーボード首位のモデルは 1 つ順位を下げる結果となります。クリーンな朗読音声に最適化されたモデルは、自発的な会話音声に対して不均衡に性能が低下します。
リーダーボードは候補を絞り込むためのツールとして使い、最終的な勝者を選ぶ基準にはしないでください。
精度の階層について
Cohere Transcribe（2B パラメータ、Apache 2.0 ライセンス対応、14 ヶ国語）は、実際に本番環境で稼働しているモデルです。過去 1 か月でのダウンロード数は 62 万回を超え、Transformers や vLLM、Apple Silicon 向けの mlx-audio、Rust 版、WebGPU 版など、多様なランタイムに対応しています。このモデルは Conformer エンコーダーに軽量な Transformer デコーダーを組み合わせた構造で、ゼロから学習されています。
Cohere はまた、人間による評価も実施しました。訓練されたアノテーターが「意味の保持」「ハルシネーション（幻覚）の有無」「固有名詞の正確さ」を基準に採点した結果、平均勝率は 61% でした。特に IBM Granite 4.0 1B Speech と比較すると 78%、Whisper large-v3 と比較すると 64% の勝率を記録しています。
ただし、モデルカードの「制限事項」セクションは非常に正直に書かれており、導入前に必ず目を通す必要があります。自動言語検出機能やタイムスタンプ付与、話者分離（ダイアリゼーション）機能はありません。また、このモデルは沈黙音まで誤って文字起こししようとする傾向があるため、Cohere 側は VAD（音声活動検知）またはノイズゲートを事前に組み込むことを推奨しています。
さらに、Apache 2.0 ライセンスが付与されているにもかかわらず、リポジトリへのアクセスには連絡先情報の提供を条件とした同意書が必要となる制限があります。
Granite Speech 4.1 (2B, Apache 2.0) は、低コストよりも性能を重視する場合の選択肢として最適です。このモデルは ASR（自動音声認識）対応言語が 6 カ国語に広がり、双方向の音声翻訳も可能です。名詞や専門用語を含むキーワードリストによるバイアス制御、句読点の自動付与、ドイツ語の名詞大文字化ルールに対応した真のケース処理機能も備えています。学習データは 174,000 時間に及ぶ膨大な量で、RTFx は 231.29 を記録しています。IBM は同様に「-plus」版と「-nar」版も提供しており、「-plus」では話者識別付きの ASR や単語レベルの時系列情報が追加され、「-nar」については後述します。
Canary-Qwen-2.5B (2.5B, CC-BY-4.0、英語対応) は、FastConformer エンコーダーと Qwen3-1.7B デコーダーを組み合わせ、2 つの動作モードをサポートしています。1 つは純粋な文字起こしモード、もう 1 つは LLM モードで、デコーダーが文字起こし内容を要約したり質問に回答したりします。WER は 5.63%、RTFx は 418 です。ただし注意すべき点として、AMI データセットの学習データへのサンプリング比率が約 15% に設定されており、これが出力結果に「原文の言い淀みをそのまま残す」バイアスをもたらしています。これは法務関連の作業では有用な機能ですが、会議議事録の作成においては煩わしい要素となり得ます。
Qwen3-ASR-1.7B (Apache 2.0) は、52 の言語と方言（30 の主要言語に中国語の 22 方言を加えた構成）に対応し、WER は 5.76% です。推論用のフルキットと、11 カ国語で文字起こし時のタイムスタンプを生成する専用強制アライメントモデルが同梱されています。マンダリン中国語や中国地方の方言を扱う場合、このモデルが最初の選択肢となるでしょう。
スループット層について
現在、トップクラスのモデル間の精度差は WER で約 1 ポイント程度に収まっています。一方、スループットの差は 10 倍以上に及びます。つまり、実際の導入においてはコスト（請求額）を決定づけるのは精度よりもスループットであるケースがほとんどです。
Parakeet TDT 0.6B v3（0.6B、CC-BY-4.0）は、RTFx 3332.74 という throughput を記録し、25 のヨーロッパ言語を対象に自動言語識別機能を備えた多言語オープンモデルの中でトップです。A100 80GB 上で一度の処理で最大 24 分までの音声に対応可能で、WER は 6.32% です。これは Granite 4.1 2B より約 1 ポイント高いものの、GPU セカンドあたりの処理量は約 14 倍になります。
Granite Speech 4.1 2B-NAR は、より興味深いエンジニアリングの成果です。このモデルは非自己回帰型で、双方向 LLM を用いて CTC の仮説を単一の順方向パスで修正します。H100 上でバッチサイズ 128 で動作させた場合、RTFx は約 1820 に達しますが、その代償として日本語のサポート、音声翻訳機能、キーワードバイアス機能を諦めています。
Qwen3-ASR-0.6B は 52 の言語をすべて維持したまま、並行処理数 128 で 2000 倍のスループットを実現しています。
ストリーミングモデルの階層
バッチ WER はストリーミングモデルの評価には不適切なテストですが、リーダーボードでは依然としてこの指標で評価されています。Voxtral Realtime が 7.68%、Kyutai STT 2.6B が 6.40% を記録しており、どちらも Whisper よりも低いスコアです。しかし、これらの数値だけでは、それぞれのモデルが意図している用途について有用な情報は得られません。
Voxtral Mini 4B Realtime 2602（Apache 2.0、13言語対応）は、ゼロから訓練された 3.4B の言語モデルと 970M の因果的オーディオエンコーダーを備えています。両方のコンポーネントでスライディングウィンドウアテンションを採用しているため、実質的に無制限のストリーミング処理が可能です。
トランスクリプションの遅延は 80ms 単位で設定可能で、範囲は 80ms から 1200ms です。さらに独立した 2400ms オプションも用意されています。Mistral 社が推奨する最適な設定は 480ms で、この条件下では主要なオフラインオープンモデルと同等の性能を発揮すると報告しています。
このモデルは 16GB の GPU 1 枚で動作し、リリース初日から vLLM Realtime API をサポートしています。
Kyutai STT（CC-BY-4.0）には 2 つのバリエーションがあります。一つは英語とフランス語に対応する約 1B パラメータのモデルで、遅延は 0.5 秒、組み込みのセマンティック音声活動検出器（VAD）を搭載しています。もう一つは英語専用の 2.6B モデルで、遅延は 2.5 秒です。
ボイスエージェントにおいて重要なのはトランスクリプションの遅延そのものよりも、セマンティック VAD の性能です。これは話者が実際に発言を終了したタイミングを予測するもので、これが知覚されるターンテイク（応答待ち）の遅延を決定づけます。
H100 GPU 1 台で、リアルタイムに 400 ストリームを同時に処理可能です。
カバーレッジ階層
Meta が公開した Omnilingual ASR（Apache 2.0、コーパスは CC-BY）は、WER（単語誤り率）で競うモデルではなく、それを基準に評価すべきではありません。このモデルはネイティブで 1,600 以上の言語に対応し、ゼロショットの文脈学習を通じてさらに 5,400 以上の言語へと拡張可能です。基盤となるのは 7B パラメータ規模にスケールされた wav2vec 2.0 エンコーダーで、約 430 万時間のデータで事前学習されています。
7B の LLM-ASR バリアントは、サポート対象言語の 78% で文字誤り率を 10% 未満に抑えています。これには、これまでどの ASR システムでも対応したことがない 500 以上の言語も含まれています。エンコーダーのサイズは 300M から 7B の範囲で用意されています。また Meta は、350 以上の未対応言語をカバーする「Omnilingual ASR コーパス」も同時に公開しています。
Whisper large-v3（1.55B、MIT ライセンス、99 言語対応）は、精度の面では約 10 のオープンソースモデルに抜かれましたが、依然として多くのプロジェクトにおけるデフォルト選択肢です。MIT ライセンスは業界内で最も制限が少ないライセンスの一つです。さらに、whisper.cpp、faster-whisper、WhisperX などからなるランタイムエコシステムには、新リリース版に匹敵するものがありません。「特定の言語やハードウェアを問わない、法的な手続きなしで使える」という要件であれば、今なお Whisper が最適解と言えます。
研究の最前線
YC スタートアップの Interfaze が公開した「diffusion-gemma-asr-small」は、今年最も建築学的に創造的なリリースです。このモデルは 256 トークンのキャンバス上で並列拡散デノイジングを 8〜16 ステップ実行して文字起こしを行い、トランスクリプトの長さに比例してデコードコストが増加しない仕組みになっています。学習に要したのはわずか約 4,200 万パラメータ（重みの 0.16%）だけで、固定された 26B の DiffusionGemma と固定された Whisper-small エンコーダーの上に構築されています。
LibriSpeech test-clean では WER 6.6% を達成し、リアルタイム処理速度は約 11〜17 倍です。また、FLEURS English では 15.7%、FLEURS Mandarin の CER は 29.6% となっています。つまり、LibriSpeech の数値が性能の上限と考えるべきでしょう。
このモデルを実運用に投入すべきではありませんが、ASR（自動音声認識）に取り組むすべての人が読むべき論文です。
MOSS-Transcribe-Diarize 0.9B (Apache 2.0, 50 以上の言語対応) は、多くの総説記事で見過ごされている課題を解決します。このモデルは、ASR を別の話者分離スタックに接続するのではなく、1 回の生成で話者ラベル、単語タイムスタンプ、および文字起こし結果を同時に出力します。コンテキスト長は 128k で、約 90 分間の音声を一度のパスで処理可能。RTX 4090 では RTF が約 0.017 と非常に高速で、ホットワードバイアスにも対応しています。
デプロイするまで誰も読まないライセンスの違い
これが実際にリリースを阻む要因であり、業界は明確に二分されています。
Apache 2.0 ライセンス: Cohere Transcribe、Granite Speech 4.1（3 つのバリアントすべて）、Qwen3-ASR（両サイズ）、Voxtral Mini Realtime、Omnilingual ASR、ARK-ASR、MOSS-Transcribe。帰属義務はなく、商用利用も制限されません。ただし、ライセンス自体は Apache 2.0 であるにもかかわらず、Cohere のリポジトリには連絡先情報の同意書が必要でアクセスが制限されている点に注意が必要です。
MIT: Whisper large-v3。この分野において最も制限の少ない選択肢です。
CC-BY-4.0：Canary-Qwen-2.5B、Parakeet TDT 0.6B v3、Kyutai STT が該当します。商用利用は可能ですが、出典表示が必須です。組み込み製品やホワイトラベル API を提供する際、このコンプライアンス要件は実務上の大きな負担となります。そのため、精度テストで最も優れたモデルを選ばず、ライセンス条件に合致するモデルを採用せざるを得ないケースが最も多く見られます。
Meta の Omnilingual ASR は、モデルとコーパスでライセンスを分けています。モデル自体は Apache 2.0、データセットは CC-BY です。
実際にどう選ぶか
ランキング順ではなく、以下の順序で検討してください。
ライセンス: 出典表示がネックになる場合、CC-BY-4.0 の条件を満たすのは Parakeet、Canary-Qwen、Kyutai を除いたモデルだけです。ベンチマークを行う前にまずこの点を確認しましょう。
言語対応数: Cohere は 14 言語、Granite は 6 言語に対応していますが、Canary は英語のみです。これらは「目安」ではなく明確な制限です。また、Cohere は自動検出機能がないため、事前にどの言語を使うか把握しておく必要があります。
ストリーミング対応かバッチ処理か: これはアーキテクチャの問題です。オフライン用のエンコーダー・デコーダーモデルを微調整しても、低遅延のストリーミングモデルにはなりません。
実際の音声で WER を測定する: 公開ベンチマークでは上位 10 位以内の誤り率（WER）の差は 1 ポイント未満ですが、あなたの環境にある「訛りのある」「ノイズの多い」「ドメイン固有」な音声データでは、その差が数倍に広がります。また、順位も公開ベンチとは全く異なる結果になるでしょう。
GPU での時間あたりのコストを計算する: RTFx（リアルタイムファクター）の数値は、データセンター環境で大量バッチ処理を行った際の測定値です。この数値を自社の GPU 環境にそのまま適用することはできません。
(function(){
window.addEventListener("message", function(e){
if(!e.data || typeof e.data.mtpPickHeight !== "number") return;
var f = document.getElementById("mtp-asr-chooser");
if(f) f.style.height = e.data.mtpPickHeight + "px";
});
})();
2026 年の状況を一言でまとめるなら、特定のモデルが唯一の勝者となったわけではありません。重要なのは、許可されたライセンスのもとで公開されている 2B パラメータ規模のオープンウェイトモデルが、18 ヶ月前にクローズド API が要求していた性能をすでに上回っている点です。現在、ユーザーが直面しているのは研究上の課題ではなく、どの製品を採用するかという調達判断の問題となっています。
参考情報源：
Cohere Transcribe のブログとモデルカード
IBM Granite Speech 4.1 (2B および 4.1 2B-NAR)
ARK-ASR-3B
MOSS-Transcribe-preview-2B と MOSS-Transcribe-Diarize
NVIDIA Canary-Qwen-2.5B、Parakeet TDT 0.6B v3
Qwen3-ASR、Voxtral Mini 4B Realtime 2602
Kyutai STT
Meta Omnilingual ASR と関連論文
Whisper large-v3
diffusion-gemma-asr
Open ASR Leaderboard の論文、リーダーボードデータセット、および Appen プライベートトラックの発表。
リーダーボードの順位は常時変動しています。すべての数値は 2026 年 7 月 23 日に一次情報源と照合して検証済みです。
「Best Open Speech Recognition (ASR) Models in 2026: WER, Languages, Latency, and License Compared」の原記事は、MarkTechPost で最初に公開されました。
原文を表示
Open speech recognition stopped being a Whisper monoculture some time in the last twelve months. In March 2026 Cohere released Transcribe, a 2B Apache 2.0 model that took the top of the Hugging Face Open ASR Leaderboard at 5.42% average word error rate. Five weeks later IBM shipped Granite Speech 4.1 2B at 5.33%. Since then ARK-ASR-3B and MOSS-Transcribe-preview-2B have posted lower numbers still.
The top of that leaderboard is now separated by less than one WER point. That has a specific consequence for anyone choosing a model: rank is no longer the deciding variable. License, language coverage, streaming support, and cost per audio-hour are. This roundup compares the field on all four.
(function(){
window.addEventListener("message", function(e){
if(!e.data || typeof e.data.mtpAsrHeight !== "number") return;
var f = document.getElementById("mtp-asr-explorer");
if(f) f.style.height = e.data.mtpAsrHeight + "px";
});
})();
First, a problem with the leaderboard number everyone quotes
The Open ASR Leaderboard average is not a single fixed quantity, and the models currently listed side by side were not all scored the same way.
Cohere’s 5.42% is an average across eight English test sets, including TED-LIUM. That checks out: AMI 8.13, Earnings-22 10.86, GigaSpeech 9.34, LibriSpeech clean 1.25, LibriSpeech other 2.37, SPGISpeech 3.08, TED-LIUM 2.49, VoxPopuli 5.87 averages to exactly 5.42.
ARK-ASR-3B’s 5.04% is an average across seven sets. TED-LIUM is absent. The MOSS-Transcribe-preview-2B card states this explicitly: TED-LIUM is not currently part of the leaderboard run and is therefore excluded.
TED-LIUM is one of the easier sets in the suite, so dropping it raises the average. Recompute Cohere’s published per-dataset scores over the same seven sets ARK reports and Cohere lands at 5.84, not 5.42. Do the same to Granite Speech 4.1 2B and it moves from 5.33 to 5.65. On a like-for-like basis ARK’s lead is larger than the headline numbers imply, not smaller — but the point is that you cannot subtract one published figure from another and get a meaningful answer.
Two further caveats belong on the same page:
Some scores are openly leaderboard-fitted: The MOSS-Transcribe-preview-2B card states the model was fine-tuned with reinforcement learning on the Open ASR Leaderboard training splits. That is disclosed, which is more than most, but it means the score measures the benchmark rather than the capability.
Private-track data reorders the board: Appen contributed held-back evaluation sets covering Australian, Canadian, Indian, and American accents in scripted and conversational conditions. When those private sets are toggled on, zoom/scribe_v1 moves from #4 to #1 and the public-leaderboard leader drops a position. Models tuned for clean read speech degrade disproportionately on spontaneous conversational audio.
Use the leaderboard to build a shortlist. Do not use it to pick a winner.
The accuracy tier
Cohere Transcribe (2B, Apache 2.0, 14 languages) is the model that actually shipped into production. It has been downloaded over 620,000 times in the past month and has runtime support across transformers, vLLM, mlx-audio for Apple Silicon, a Rust port, and a WebGPU build. It is a Conformer encoder with a lightweight Transformer decoder, trained from scratch. Cohere also ran human preference evaluation, where trained annotators scored transcripts for meaning preservation, hallucination, and named entities: a 61% average win rate, 78% against IBM Granite 4.0 1B Speech and 64% against Whisper large-v3.
The limitations section of its model card is unusually honest and should be read before committing. There is no automatic language detection, no timestamps, and no diarization, and the model is eager to transcribe silence, so Cohere recommends prepending a VAD or noise gate. The repo is also gated behind a contact-information agreement despite the Apache 2.0 license.
Granite Speech 4.1 2B (2B, Apache 2.0) is the better pick if you need capability rather than a lower number. Six languages for ASR plus bidirectional speech translation, keyword-list biasing for names and jargon, punctuation and truecasing including German noun capitalization. Trained on 174,000 hours. RTFx 231.29. IBM also ships two siblings: -plus adds speaker-attributed ASR and word-level timestamps, and -nar is discussed below.
Canary-Qwen-2.5B (2.5B, CC-BY-4.0, English) pairs a FastConformer encoder with a Qwen3-1.7B decoder and runs in two modes — pure transcription, or LLM mode where the decoder summarizes and answers questions about the transcript. 5.63% WER at RTFx 418. Note that AMI was oversampled to roughly 15% of training data, which biases output toward verbatim disfluency-preserving transcripts. That is a feature for legal work and a nuisance for meeting notes.
Qwen3-ASR-1.7B (Apache 2.0) covers 52 languages and dialects — 30 languages plus 22 Chinese dialects — at 5.76%. It ships with a full inference toolkit and a separate forced-alignment model for timestamps in 11 languages. For anything touching Mandarin or Chinese regional speech this is the obvious starting point.
The throughput tier
Accuracy across the top of the field now varies by about one WER point. Throughput varies by more than an order of magnitude, which means throughput usually decides the invoice.
Parakeet TDT 0.6B v3 (0.6B, CC-BY-4.0) is the throughput leader among multilingual open models at RTFx 3332.74 across 25 European languages with automatic language ID, handling up to 24 minutes in a single pass on an A100 80GB. It costs 6.32% WER — roughly one point more than Granite 4.1 2B for roughly fourteen times the audio per GPU-second.
Granite Speech 4.1 2B-NAR is the more interesting engineering result. It is non-autoregressive: it edits a CTC hypothesis in a single forward pass using a bidirectional LLM, reaching RTFx ~1820 on one H100 at batch size 128. It gives up Japanese, speech translation, and keyword biasing to get there.
Qwen3-ASR-0.6B keeps all 52 languages and reaches 2000× throughput at concurrency 128.
The streaming tier
A batch WER seems to be the wrong test for a streaming model, and the leaderboard scores them anyway. Voxtral Realtime sits at 7.68% and Kyutai STT 2.6B at 6.40% — both below Whisper — and neither number tells you anything useful about their intended use.
Voxtral Mini 4B Realtime 2602 (Apache 2.0, 13 languages) is a 3.4B language model along with a 970M causal audio encoder trained from scratch, with sliding-window attention on both halves for effectively unbounded streaming. Transcription delay is configurable in 80ms steps from 80ms to 1200ms, plus a standalone 2400ms option; Mistral recommends 480ms as the sweet spot and reports that at that setting it matches leading offline open models. It runs on a single 16GB GPU and had day-0 vLLM Realtime API support.
Kyutai STT (CC-BY-4.0) comes in two shapes: a ~1B English/French model with a 0.5s delay and a built-in semantic voice activity detector, and a 2.6B English-only model with a 2.5s delay. For voice agents, the semantic VAD matters more than the transcription delay — it predicts when the speaker has actually finished, which is what governs perceived turn-taking latency. An H100 serves 400 concurrent streams in real time.
The coverage tier
Meta’s Omnilingual ASR (Apache 2.0, corpus CC-BY) is not competing on WER and should not be evaluated as if it were. It covers 1,600+ languages natively and extends to 5,400+ through zero-shot in-context learning, built on a wav2vec 2.0 encoder scaled to 7B and pre-trained on about 4.3M hours. The 7B LLM-ASR variant achieves character error rate below 10% on 78% of supported languages, including 500+ never previously served by any ASR system. Encoder sizes run from 300M to 7B. Meta also released the Omnilingual ASR Corpus covering 350+ underserved languages.
Whisper large-v3 (1.55B, MIT, 99 languages) has been overtaken on accuracy by roughly ten open models, and it remains the correct default for a large class of projects. MIT is the least encumbered license in the field. The runtime ecosystem — whisper.cpp, faster-whisper, WhisperX — has no equivalent among the newer releases. If your requirement is “some language, some hardware, no license lawyer,” it is still the answer.
The research edge
diffusion-gemma-asr-small from YC startup Interfaze is the most architecturally creative release of the year. It produces transcripts by parallel diffusion denoising over a 256-token canvas in 8 to 16 steps, so decoding cost does not grow with transcript length. Only ~42M parameters were trained — 0.16% of the weights — on top of a frozen 26B DiffusionGemma and a frozen whisper-small encoder. It reaches 6.6% WER on LibriSpeech test-clean at roughly 11 to 17× realtime. It also reaches 15.7% on FLEURS English and 29.6% CER on FLEURS Mandarin, so treat the LibriSpeech figure as the ceiling. Nobody should deploy this. Everybody working on ASR should read it.
MOSS-Transcribe-Diarize 0.9B (Apache 2.0, 50+ languages) solves the problem most roundups ignore: it emits speaker labels, word timestamps, and transcript in one generation instead of chaining ASR to a separate diarization stack. 128k context, roughly 90 minutes of audio in one pass, RTF ~0.017 on an RTX 4090, with hotword biasing.
The license split nobody reads until deployment
This is the section that actually blocks shipping, and the field divides cleanly:
Apache 2.0: Cohere Transcribe, Granite Speech 4.1 (all three variants), Qwen3-ASR (both sizes), Voxtral Mini Realtime, Omnilingual ASR, ARK-ASR, MOSS-Transcribe. No attribution obligation, commercial use unrestricted. Note that Cohere’s repo is gated behind a contact-information agreement even though the license itself is Apache 2.0.
MIT: Whisper large-v3. The most permissive option in the field.
CC-BY-4.0: Canary-Qwen-2.5B, Parakeet TDT 0.6B v3, Kyutai STT. Commercially usable, but attribution is required. For an embedded product or a white-labeled API, that is a real compliance obligation, and it is the single most common reason teams end up shipping a model that is not the most accurate one they tested.
Meta’s Omnilingual ASR splits the two: Apache 2.0 for models, CC-BY for the corpus.
How to actually choose
Run this order, not just the leaderboard order:
License: If attribution is a blocker, CC-BY-4.0 removes Parakeet, Canary-Qwen, and Kyutai before you benchmark anything.
Language coverage: Cohere’s 14 languages, Granite’s 6, and Canary’s English-only are hard limits, not soft ones. Cohere additionally has no language auto-detection, so you must know the language in advance.
Streaming or batch: This is architectural. No amount of tuning turns an offline encoder-decoder into a low-latency streaming model.
Then measure WER on your own audio: The spread between the top ten models on the public benchmark is under one point. The spread on your accented, noisy, domain-specific audio will be several times that, and it will not rank the models in the same order.
Then compute cost per audio-hour on your own GPUs: RTFx figures are measured at large batch sizes on datacenter hardware and do not transfer.
(function(){
window.addEventListener("message", function(e){
if(!e.data || typeof e.data.mtpPickHeight !== "number") return;
var f = document.getElementById("mtp-asr-chooser");
if(f) f.style.height = e.data.mtpPickHeight + "px";
});
})();
The useful summary of 2026 is not that any single model won. It is that a 2B open-weight model on a permissive license now beats what closed APIs were charging for eighteen months ago, and that the remaining decision is a procurement question rather than a research one.
Sources:
Cohere Transcribe blog and model card
IBM Granite Speech 4.1 2B and 4.1 2B-NAR
ARK-ASR-3B
MOSS-Transcribe-preview-2B and MOSS-Transcribe-Diarize
NVIDIA Canary-Qwen-2.5B and Parakeet TDT 0.6B v3
Qwen3-ASR · Voxtral Mini 4B Realtime 2602
Kyutai STT
Meta Omnilingual ASR and paper
Whisper large-v3
diffusion-gemma-asr
Open ASR Leaderboard paper, leaderboard dataset, and Appen private-track announcement.
Leaderboard positions are live and change frequently. All figures verified against primary sources on 23 July 2026.
The post Best Open Speech Recognition (ASR) Models in 2026: WER, Languages, Latency, and License Compared appeared first on MarkTechPost.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み