Лучшие модели преобразования речи в текст (STT) с открытым исходным кодом 2026 года Лучшей моделью преобразования речи в текст с открытым исходным кодом в октябре 2026 года стала Nemotron 3.5 Transcribe от NVIDIA, выпущенная 28 октября. В обновленной в тот же день таблице лидеров Hugging Face Open ASR она заняла 9-е место из 61 модели со средней частотой ошибок в словах 5,33%. Все восемь вышеперечисленных моделей являются закрытыми коммерческими API...
Лучшие модели преобразования речи в текст (STT) с открытым исходным кодом 2026 года
Лучшей моделью преобразования речи в текст с открытым исходным кодом в октябре 2026 года стала Nemotron 3.5 Transcribe от NVIDIA, выпущенная 28 октября. В обновленной в тот же день таблице лидеров Hugging Face Open ASR она заняла 9-е место из 61 модели со средней частотой ошибок в словах 5,33%. Все восемь вышеперечисленных моделей являются закрытыми коммерческими API. OpenAI «шепот-большой-v3», который до сих пор используется по умолчанию во многих руководствах, остается на 41-м месте с 7,16%.
Попробуйте APIdog сегодня
Ниже мы перечислили девять моделей распознавания речи с открытым взвешиванием, которые стоит рассмотреть, ранжированные по соответствующим рейтингам в таблице лидеров, а также по их скорости, сильным сторонам и соответствующему использованию. Все показатели WER и скорости взяты из таблицы лидеров по состоянию на 29 октября 2026 года.
Чтобы выбрать между размещенными API, прочтите руководство Nemotron 3.5 Transcribe API и руководство Whisper API.
Как мы заняли место
Open ASR Leaderboard запускает все модели на одном и том же тестовом наборе английского языка: встречи (AMI), звонки о доходах (Earnings22), подкасты и YouTube (GigaSpeech), аудиокниги (LibriSpeech), финансовые звонки (SPGISpeech), шумный голос (URGENT24), разговорный голос (Voice Arena Monsoon), выступления в Конгрессе (VoxPopuli) и два частных набора. Рейтинг основан на среднем WER: чем ниже, тем лучше.
Он также отображает RTFx, который является индикатором скорости таблицы лидеров. Это означает количество секунд аудио, преобразованных за секунду работы. Чем выше, тем быстрее. Закрытые API помечены как «NA», поскольку они не могут измерять время на одном и том же оборудовании.
Модель считалась открытой, если контрольные точки были доступны для загрузки и в таблице лидеров отображался RTFx этой модели. Пожалуйста, проверьте каждую лицензию перед коммерческим использованием.
Рейтинги с первого взгляда
Рейтинг (открытый)
модель
Средний WER
RTFx
общий рейтинг
1
NVIDIA Nemotron 3.5 Транскрибация 30B-A4B
5,33%
462
9
2
Qwen3-ASR-1.7B
5,40%
819
11
3
IBM Гранит Спе