2026年最佳开源语音识别模型对比：WER、语言、延迟与许可证全解析

一句话看懂

开源语音识别在2026年已从Whisper垄断走向多强争霸，Cohere、IBM、ARK等模型WER差距不到1%，选型关键从排名转向许可证、语言覆盖和吞吐量。

详细发生了什么

过去一年，开源语音识别（ASR）格局彻底改变。2026年3月，Cohere发布Transcribe 2B模型（Apache 2.0），以5.42%平均词错误率登顶Hugging Face Open ASR排行榜；五周后，IBM Granite Speech 4.1 2B以5.33%超越。随后ARK-ASR-3B和MOSS-Transcribe-preview-2B也交出更低数字。目前排行榜顶部差距不到1个WER点，排名已不再是决定性因素。

但排行榜数字存在陷阱：各模型测试集不完全一致。Cohere的5.42%基于8个英文测试集（含TED-LIUM），而ARK-ASR-3B的5.04%仅基于7个（不含TED-LIUM）。若统一到相同7个集，Cohere变为5.84%，IBM变为5.65%，ARK领先幅度反而更大。此外，MOSS-Transcribe明确在排行榜训练集上进行了强化学习微调，分数反映的是benchmark而非真实能力。Appen提供的私有测试集（含澳大利亚、加拿大、印度、美国口音）重新排序后，zoom/scribe_v1从第4升至第1。

中文圈视角

对中文用户而言，Qwen3-ASR-1.7B（Apache 2.0）是首选：覆盖52种语言和方言，包括30种语言加22种中文方言，WER 5.76%，且附带完整推理工具包和11种语言的强制对齐模型。它直接对标Whisper large-v3的中文表现，但许可证更友好（Apache 2.0 vs MIT），且针对中文区域语音做了专门优化。

国内用户需注意：Cohere Transcribe虽为Apache 2.0，但仓库需填写联系信息才能访问；Whisper large-v3仍是MIT许可证，生态最成熟（whisper.cpp、faster-whisper等）。对于需要流式处理的场景，Voxtral Realtime和Kyutai STT支持低延迟，但中文支持有限。Meta的Omnilingual ASR覆盖1600+语言，但中文WER未公布，更适合极端低资源语言场景。

监管方面：数据出境问题需关注，尤其使用Cohere或IBM模型时，音频数据可能传输至境外服务器。国产替代方案如阿里通义千问ASR、百度飞桨PaddleSpeech可考虑，但本文未涉及。

几条值得记住的细节

排行榜数字不可直接相减：各模型测试集不同，Cohere 5.42%和ARK 5.04%并非同一基准，统一后ARK领先更大。
Cohere Transcribe：2B参数，Apache 2.0，14种语言，下载超62万次，支持transformers、vLLM、Apple Silicon等，但无自动语言检测、时间戳和说话人分离。
IBM Granite Speech 4.1 2B：6种语言ASR+双向语音翻译，支持关键词列表偏置、标点和大小写（含德语名词大写），RTFx 231.29。
Qwen3-ASR-1.7B：覆盖52种语言（含22种中文方言），Apache 2.0，附带强制对齐模型，中文场景首选。
Parakeet TDT 0.6B v3：吞吐量王者，RTFx 3332.74，25种欧洲语言，WER 6.32%，比Granite 4.1 2B快约14倍。

一句话总结

选ASR模型别再只看排行榜排名，根据你的语言需求、吞吐量要求和许可证偏好，从Cohere、IBM、Qwen或Parakeet中挑最合适的。