2026 年最佳开源语音识别(语音转文字)模型
开放的语音识别可以分成四类任务:快速的通用转写、延迟很小的实时流式转写、带说话人标签的长录音,以及面向手机和边缘设备的微型模型。Whisper large-v3 turbo 仍是下载量最高的模型,但新的开放模型增加了它原生不具备的功能,例如流式输出、一小时的长音频输入和说话人标签。先按任务选,再看许可证。
-
Whisper large-v3-turbo 下载量最高
OpenAI 的 MIT 许可证模型,仍是本站收录的下载量最高的语音转文字模型,截至 2026 年 11 月 11 日的 30 天内约有 510 万次下载。turbo 版本比 large 快约 8 倍,大约 6 GB 显存就能运行。
-
Qwen3-ASR
阿里巴巴的 Apache 2.0 组合(1.7B 和 0.6B):支持 30 种语言和 22 种中文方言,能转写歌声,支持流式输出和时间戳。
-
Cohere Transcribe
Cohere 的 Apache 2.0 2B 模型,只做转写:支持 14 种语言,没有时间戳和说话人标签,需要你指定语言。下载它需要在 Hugging Face 上填写访问申请。
-
Jais-ASR
IFM 的 5.7B 阿拉伯语识别模型,采用 Apache 2.0,覆盖现代标准阿拉伯语和 19 个国家的方言,支持语码转换、可选的变音符号和方言标签。在 IFM 自己的表格里,它在 Open Universal Arabic ASR Leaderboard 上平均成绩最好,但在干净的朗读语音上落后于最好的系统。
-
Voxtral Realtime
Mistral 的 Apache 2.0 4B 流式模型:支持 13 种语言,延迟可在 80 毫秒到 2.4 秒之间设定,可以在速度和准确率之间取舍。
-
Nemotron 3.5 ASR
NVIDIA 的 0.6B 流式模型:一个模型覆盖 40 个语言区域,延迟可在每次请求时从 80 毫秒设到 1.12 秒。其中 8 个区域需要先微调。许可证宽松。
-
Confucius4-R2T2
网易有道的流式模型,基于 Qwen3-ASR-1.7B 改造:确认的文字永久保留、不会再被修改,块长从 80 毫秒到 2 秒可调。它自己的测试里 160 毫秒下平均错误率是 5.76%,基础模型是 21.01%,月活跃用户超过 1 亿或年营收超过 10 亿元人民币时需要另行协议。
-
VibeVoice-ASR
微软的 MIT 许可证 8.7B 模型,一次能处理一小时音频,并给出说话人标签、时间戳,支持 50 多种语言。
-
MOSS-Transcribe-Diarize
OpenMOSS 的 Apache 2.0 0.9B 模型,一次就写出谁在什么时候说了什么,支持最长 90 分钟、50 多种语言的录音,并支持热词。在它自己的中文会议、播客和电影测试中,得分优于 VibeVoice-ASR 和几个商业系统,截至 2026 年 11 月 11 日的 30 天内约有 12.8 万次下载。
-
Nemotron 3.5 Transcribe 最新
NVIDIA 的开放语音转文字模型:支持 40 种语言、说话人标签、翻译,并可用提示词控制转写风格。BF16 权重约 68 GB,另有 FP8 和 NVFP4 版本,许可证宽松。
-
Granite Speech 5.0
IBM 的 Apache 2.0 组合:一个 2B 模型能转写六种语言并做翻译,另有一个为速度和边缘设备打造的 470M CTC 模型。
-
Parakeet TDT 0.6B v3
NVIDIA 的 0.6B 模型,支持 25 种欧洲语言,能自动识别语言并给出词级时间戳。CC BY 4.0 允许在署名的前提下商用。
-
GigaAM Multilingual
Sber 的 MIT 许可证 220M 和 600M 识别模型,专门面向俄语、哈萨克语、吉尔吉斯语和乌兹别克语,在它自己的测试里,大模型在三种中亚语言上远远领先 Whisper large v3。英语只有中等水平,输出也没有标点。
-
GigaAM-v3
Sber 的 220M 到 240M 俄语识别模型,采用 MIT 许可证。它的 e2e 版本直接输出带标点的规范化文本,Sber 的测试显示平均词错误率约 8.4%,Whisper 为 25.1%,并涵盖呼叫中心和非典型语音。
-
Whistle
Cactus Compute 的 Apache 2.0 识别模型,文件只有 16.9 MB:支持七种欧洲语言,带词级时间戳,据开发者自己的测量,在笔记本 CPU 上约 11 毫秒就出第一个 token。
-
LFM3-Audio-2B
Liquid AI 的 2B 端侧语音模型:同一个模型完成 18 种语言的转写、合成和翻译。LFM Open License 只允许年收入低于 1000 万美元的公司商用。
我们如何筛选
- 现在就能从开发者官方仓库下载的开放权重。
- 模型卡中的词错误率是在不同测试集上自测的,所以我们比较功能,而不是引用排名。
- 列出流式延迟、最长音频和支持语言,因为它们决定模型是否适合你的任务。
- 决定之前请在你自己的录音上试一试,口音、噪声和专业词汇会让结果差别很大。