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。

  • 榜单更新于 2026年11月11日
  1. 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。

    • OpenAI
    • 1.54B
    • MIT (宽松)
    • 约 6 GB 起
  2. 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。

    • Alibaba Qwen
    • 2.35B
    • Apache 2.0 (宽松)
    • 约 2.12 GB 起
  3. 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。

    • Cohere
    • 2.07B
    • Apache 2.0 (宽松)
    • 约 4.75 GB 起
  4. 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。

    • Institute of Foundation Models (MBZUAI)
    • 5.72B
    • Apache 2.0 (宽松)
    • 约 3.63 GB 起
  5. 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。

    • Mistral AI
    • 4.43B
    • 128K token
    • Apache 2.0 (宽松)
    • 约 10 GB 起
  6. 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。

    • NVIDIA
    • 638M
    • OpenMDW-1.1 (宽松)
    • 约 2.93 GB 起
  7. 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。

    • NetEase Youdao
    • 2.04B
    • NetEase Youdao Model Use (附条件)
    • 约 4.69 GB 起
  8. 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。

    • Microsoft
    • 8.67B
    • 64K token
    • MIT (宽松)
    • 约 6.47 GB 起
  9. 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。

    • OpenMOSS
    • 910M
    • 128K token
    • Apache 2.0 (宽松)
    • 约 2.09 GB 起
  10. 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。

    • NVIDIA
    • 34B (激活 4.3B)
    • 64K token
    • OpenMDW-1.1 (宽松)
    • 约 25 GB 起
  11. 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。

    • IBM
    • 2.31B
    • Apache 2.0 (宽松)
    • 约 1.09 GB 起
  12. 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。

    • NVIDIA
    • 627M
    • CC BY 4.0 (宽松)
    • 约 2.89 GB 起
  13. 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。

    • Sber (GigaChat)
    • 600M
    • MIT (宽松)
    • 约 1.01 GB 起
  14. 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。

    • Sber (GigaChat)
    • 240M
    • MIT (宽松)
    • 约 0.506 GB 起
  15. 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。

    • Cactus Compute
    • 55M
    • Apache 2.0 (宽松)
    • 约 0.253 GB 起
  16. 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。

    • Liquid AI
    • 2B
    • 32K token
    • LFM Open 1.0 (附条件)
    • 约 4.6 GB 起

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。