2026年开源语音识别模型竞争激烈，WER、语言覆盖与授权全解析

赛道概览

2026 年的开源 ASR 市场已不再围绕单一的 Whisper 模型。自 3 月 Cohere 发布 2 B 参数的 Transcribe 并以 5.42% 的平均 WER 登顶后，IBM 的 Granite Speech 4.1（5.33%）以及 ARK‑ASR‑3B、MOSS‑Transcribe‑preview‑2B 紧随其后，排名差距不足 1 个 WER 点。此时，模型的 许可证、语言覆盖、流式支持与每小时音频成本 成为选型的关键因素。

关键指标对比

模型	参数	许可证	支持语言	平均 WER*	流式 RT‑Fx (A100)	主要亮点
Cohere Transcribe	2 B	Apache‑2.0	14	5.42%（8 组英文测试）	231.3	Conformer 编码器 + 轻量 Transformer 解码器，已下载 62 万次，支持 transformers、vLLM、mlx‑audio 等多平台
IBM Granite Speech 4.1	2 B	Apache‑2.0	6	5.33%（公开集）	231.3	支持双向语音翻译、关键字偏置、标点真值化，训练时长 174k 小时
ARK‑ASR‑3B	3 B	Apache‑2.0	5	5.04%（7 组）	180	非自回归编辑 + 双向 LLM，RT‑Fx≈1820（H100）
MOSS‑Transcribe‑preview‑2B	2 B	Apache‑2.0 (受联系信息协议约束)	50+	5.12%（排除 TED‑LIUM）	3332.7	同时输出说话人标签、时间戳，支持 128k 上下文，RTX 4090 RTF≈0.017
Canary‑Qwen‑2.5B	2.5 B	CC‑BY‑4.0	1 (English)	5.63%	418	FastConformer + Qwen‑3‑1.7B 解码器，支持转录+LLM 摘要模式
Parakeet TDT 0.6B v3	0.6 B	CC‑BY‑4.0	25 (欧语)	6.32%	3332.7	自动语言检测，单卡可一次处理 24 分钟音频

*注：表中 WER 为公开榜单对应数据，若统一剔除 TED‑LIUM 后，Cohere 实际为 5.84%，Granite 为 5.65%。

许可证与合规要点

Apache‑2.0：Cohere、Granite、ARK‑ASR、Qwen3‑ASR 系列均可商业使用，无需署名（除非模型仓库另有要求）。
CC‑BY‑4.0：Canary‑Qwen、Parakeet、Kyutai 需在产品中保留署名，若对品牌统一有严格要求，可能成为阻碍。
MIT：Whisper large‑v3 仍是最宽松的授权，但仅支持 99 种语言，且生态成熟度最高。
特殊约束：Cohere 的代码仓库虽标 Apache‑2.0，却要求填写联系信息后方可下载，实际部署前需评估合规风险。

选型建议流程

先审许可证：若项目不能接受署名义务，直接剔除 CC‑BY 系列。
语言覆盖：中文业务首选 Qwen3‑ASR（52 种语言+22 种方言）或 MOSS‑Transcribe（50+）。
流式需求：对低延迟有严格要求的对话系统，优先考虑 ARK‑ASR‑3B（非自回归）或 Gran ite‑NAR（CTC+LLM 单次前向）。
成本核算：在自有 GPU（A100/H100）上测算 RTF×每秒费用，以决定每小时音频成本。
实测本地数据：公开榜单间的 0.5% WER 差距在真实噪声、口音环境下往往被放大，务必自行跑一轮评估。

趋势洞察

2 B 级开源模型已可媲美闭源 API：Cohere、Granite 的成本远低于商业云服务，且在多数公开基准上领先。
许可证分化成为竞争核心：同等精度的模型在授权宽松度上的差异，直接影响企业的采购决策。
多语言与本地化：Meta 的 Omnilingual ASR 虽不在 WER 前列，却以 1 600+ 原生语言覆盖打开了稀缺语言市场的可能。
架构创新：diffusion‑gemma‑asr‑small 通过并行扩散解码实现了高效推理，但仍属实验性，暂不推荐生产使用。

结论：2026 年的开源 ASR 版图已从“单一 Whisper”转向多模型竞争。企业在选型时应把 许可证合规、语言覆盖与流式吞吐 放在首位，而非仅盯着榜单排名。只要做好本地化评测，2 B 左右的开源模型即可提供与付费闭源相当的准确率与成本优势。