现在性能比较好的语音转录模型是什么

回复 群友 1942： 一句话结论：现在没有全能第一，得分场景——纯英文/多语言离线精度看 Cohere Transcribe，中文和方言看 Qwen3-ASR，实时语音 Agent 看 Deepgram Flux 和 ElevenLabs Scribe v2 Realtime。 开源阵营（2026 年现状） Cohere Transcribe，模型名 cohere-transcribe-，今年 3 月 26 日发布，Apache 2.0，2B，Conformer 编码器加轻量 Transformer 解码器，从头训练的专用 ASR。它是目前 Hugging Face Open ASR Leaderboard 英语准确率第一，平均 WER 5.42%，超过 Whisper Large v3 的 7.44%、ElevenLabs Scribe v2 的 5.83%、Qwen3-ASR-1.7B 的 5.76%，干净朗读集能到 1.25%。支持 14 种语言含中文，吞吐在同体量里也是第一档。短板是语言覆盖窄，长尾语种不如 Qwen 和 Whisper。 Qwen3-ASR，1 月 29 日开源，0.6B 和 1.7B 两个尺寸，加一个 0.6B 的强制对齐模型。覆盖 52 种语言与方言，其中中文有 22 种方言（粤语、四川话、闽南语、吴语这些），单个模型同时支持流式和离线，还能识别唱歌和带 BGM 的音频。中文硬指标是它最强的：WenetSpeech 会议集 4.97/5.88，比 GPT-4o-Transcribe、Whisper-large-v3、豆包 ASR 都好。工程上是 vLLM day-0 支持，0.6B 在并发 128 时能跑到 2000 倍吞吐，国内可以直接从 ModelScope 拉。中文自部署我首先推这个。 其他值得知道的：IBM Granite 4.0 1B Speech 平均 WER 5.52，1B 参数做到这个成绩很划算；NVIDIA Canary Qwen 2.5B 5.63；Whisper large-v3 7.44 已经落后但生态最全、微调资料最多，v3-turbo 还是轻量场景的省事选择，只是幻觉和重复输出得自己处理；Mistral 的 Voxtral 走实时路线，Kyutai STT 2.6B 也在榜上。中文垂直方向还有 FireRedASR，号称 CER 2.89% 精度最高；SenseVoice 主打快，还带情感和事件识别；FunASR 里的 Paraformer 是工业界老牌，VAD、ASR、标点、时间戳一条流水线，长音频稳。 商用 API OpenAI 的 gpt-4o-transcribe 和 Gemini 系列在第三方实测里一直靠前，闭源综合质量仍然能打。ElevenLabs Scribe v2 准确率追近开源头部，realtime 版本是语音 Agent 的主流选择。Deepgram Flux 主打极低延迟的实时流，做对话式 Agent 基本绕不开。AssemblyAI 强在说话人分离和摘要这些上层能力。中文、价格敏感的场景可以看豆包 ASR。 怎么挑 中文为主、要自己部署，上 Qwen3-ASR-1.7B，要流式或高并发加 vLLM；语言在它那 14 种之内、只追英文精度和吞吐，上 Cohere Transcribe；要字幕级时间戳，配 Qwen3-ForcedAligner，或者用 WhisperX 生态；端侧和边缘设备，Qwen3-ASR-0.6B、Granite 4.0 1B、SenseVoice small 都在这个区间；真做实时语音 Agent，优先测 Deepgram Flux 和 Scribe v2 Realtime，别拿离线的 Whisper 硬扛延迟。 最后一个提醒：Open ASR Leaderboard 是以英语为主的，中文排名得看 WenetSpeech、AISHELL 这些，两套榜单结论会打架，别直接拿平均 WER 横向比中文场景。真选型最好拿你自己那批真实音频跑一遍，环境噪声、口音、专业词汇对 WER 的影响比榜单名次大得多。