オープン音声認識は、1年前のようにWhisperが支配する状況ではなくなっている。2026年3月、CohereはTranscribeを公開した。これは2BパラメータのApache 2.0モデルで、平均単語誤り率（WER）5.42%によりHugging Face Open ASR Leaderboardの首位に立った。WERは参照トランスクリプトに対する置換、削除、挿入を数える指標であり、認識精度の比較には有用だが、レイテンシー、話者属性付け、タイムスタンプ品質、フォーマットは捉えない。その5週間後、IBMはGranite Speech 4.1 2Bを5.33%で公開した。その後、ARK-ASR-3BとMOSS-Transcribe-preview-2Bはさらに低い数値を報告している。

このリーダーボード上位のモデル間の差は、現在ではWERで1ポイント未満に収まっている。自動音声認識モデルを選定するチームにとって、これは意思決定プロセスを変える。リーダーボード順位はもはや唯一の要因でも、決定的要因でもない。ライセンス条件、言語対応、ストリーミング機能、音声1時間あたりのコストが同程度に重要になっている。本比較では、これらの要素に沿ってオープンASR分野を概観する。

リーダーボードの数値には重要な制約がある

Open ASR Leaderboardの平均値は単一の固定された尺度ではなく、リーダーボード上に並んで表示されているモデルがすべて完全に同じ方法で評価されたわけではない。

Cohereの5.42%というスコアは、TED-LIUMを含む8つの英語テストセットの平均である。データセット別の数値は、AMI 8.13、Earnings-22 10.86、GigaSpeech 9.34、LibriSpeech clean 1.25、LibriSpeech other 2.37、SPGISpeech 3.08、TED-LIUM 2.49、VoxPopuli 5.87で、平均は正確に5.42となる。

ARK-ASR-3Bの5.04%という数値は、7つのセットの平均である。TED-LIUMは含まれていない。MOSS-Transcribe-preview-2Bのモデルカードはこの点を明示しており、TED-LIUMは現在リーダーボード実行の一部ではないため除外されているとしている。

TED-LIUMはこのスイートの中でも比較的容易なデータセットの1つであるため、これを除外すると平均値は上昇する。Cohereが公開しているデータセット別スコアを、ARKが報告する同じ7つのデータセットで再計算すると、Cohereの結果は5.42ではなく5.84になる。同じ方法をGranite Speech 4.1 2Bに適用すると、その数値は5.33から5.65に動く。同条件で比較すれば、ARKのリードは見出しの数値が示すより小さいのではなく、むしろ大きい。より広い論点は、公開されたリーダーボード数値を単純に差し引いても、必ずしも意味のある比較にはならないということだ。

さらに、2つの注意点も重要である。

第一に、一部のスコアはリーダーボードに明示的に適合されている。MOSS-Transcribe-preview-2Bのカードによると、このモデルはOpen ASR Leaderboardのトレーニング分割上で強化学習によりファインチューニングされている。この開示自体は有用だが、そのスコアが一般的な能力だけでなく、ベンチマーク性能を測っていることも意味する。

第二に、非公開トラックのデータは順位を入れ替える可能性がある。Appenは、オーストラリア、カナダ、インド、米国のアクセントを対象に、台本ありと会話形式の両条件を含む保留評価セットを提供した。これらの非公開セットを有効にすると、zoom/scribe_v1は4位から1位に上がり、公開リーダーボードの首位モデルは1つ順位を下げる。きれいな朗読音声に合わせて調整されたモデルは、自発的な会話音声で不均衡に性能が低下し得る。

したがって、リーダーボードは候補リストを作るためには有用だが、完全な選定メカニズムとして扱うべきではない。

精度重視のモデル

Cohere Transcribe（2B、Apache 2.0、14言語）は、このグループの中で実際に本番投入されているモデルである。過去1カ月で620,000回以上ダウンロードされており、transformers、vLLM、Apple Silicon向けmlx-audio、Rust移植版、WebGPUビルドで実行環境のサポートがある。このモデルは、軽量なTransformerデコーダを備えたConformerエンコーダを使用し、スクラッチから学習された。Cohereは人間の選好評価も実施しており、訓練を受けたアノテーターが意味の保持、ハルシネーション、固有表現についてトランスクリプトを評価した。その結果、平均勝率は61%で、IBM Granite 4.0 1B Speechに対して78%、Whisper large-v3に対して64%だった。

その制約は大きく、モデルカードに明確に記載されている。Cohere Transcribeは自動言語検出、タイムスタンプ、ダイアライゼーションを提供しない。また、このモデルは無音を転写しやすいため、Cohereは前段にVADまたはノイズゲートを置くことを推奨している。さらに、ライセンス自体はApache 2.0であるにもかかわらず、リポジトリは連絡先情報の提供合意によってゲートされている。

Granite Speech 4.1 2B（2B、Apache 2.0）は、リーダーボード上の最小値よりも幅広い機能が必要な場合に強い選択肢となる。6言語でのASR、双方向音声翻訳、名前や専門用語に対するキーワードリストバイアス、句読点付与とtruecasing（ドイツ語名詞の大文字化を含む）をサポートする。IBMは174,000時間のデータでこれを学習し、RTFx 231.29を報告している。RTFxはスループット指標であり、値が高いほど、通常は特定のハードウェアとバッチ設定の下で、実時間あたりに処理できる音声が多いことを意味する。IBMは関連モデルも2つ提供している。-plusバリアントは話者属性付きASRと単語レベルのタイムスタンプを追加し、-narバリアントはスループットの章で扱う。

Canary-Qwen-2.5B（2.5B、CC-BY-4.0、英語）は、FastConformerエンコーダとQwen3-1.7Bデコーダを組み合わせている。標準的な転写モードと、デコーダがトランスクリプトを要約し質問に回答するLLMモードの2つで動作する。RTFx 418で5.63% WERを報告している。AMIはトレーニングデータのおよそ15%まで過剰サンプリングされており、出力は言い淀みを保持する逐語的なトランスクリプトに偏る。この挙動は法務用途では有用な場合がある一方、会議メモでは望ましくないことがある。

Qwen3-ASR-1.7B（Apache 2.0）は、30言語と22の中国語方言からなる52の言語・方言をカバーし、5.76% WERを報告している。完全な推論ツールキットに加え、11言語でタイムスタンプを提供する別個の強制アライメントモデルも同梱している。標準中国語や中国の地域音声を扱うユースケースでは、自然な出発点となる。

スループット重視のモデル

主要なオープンASRモデル間の精度差は、現在ではおよそWER 1ポイントである。一方、スループットの差は1桁以上に及ぶため、運用コストを決めるのはスループットであることが多い。これは、ワークロードがライブ会話ではなく数千分または数百万分の音声で測られるアーカイブ、コールセンター分析、メディアパイプラインで特に重要になる。

Parakeet TDT 0.6B v3（0.6B、CC-BY-4.0）は、多言語オープンモデルの中でスループットのリーダーである。25の欧州言語でRTFx 3332.74に達し、自動言語IDを備え、A100 80GB上で1回のパスに最大24分の音声を処理できる。その代償は6.32% WERで、Granite 4.1 2Bよりおよそ1ポイント高いが、GPU秒あたりの音声処理量は約14倍になる。

Granite Speech 4.1 2B-NARは、工学的により注目すべき成果である。これは非自己回帰型で、双方向LLMを使い、単一のフォワードパスでCTC仮説を編集する。IBMは、バッチサイズ128で1基のH100上において約1820のRTFxを報告している。このスループットを達成するため、日本語、音声翻訳、キーワードバイアスを手放している。

Qwen3-ASR-0.6Bは52言語すべてを維持し、同時実行数128で2000×のスループットに達する。

ストリーミング重視のモデル

バッチWERはストリーミングモデルにとって扱いにくい尺度だが、リーダーボードはそれでもスコアを付けている。Voxtral Realtimeは7.68%、Kyutai STT 2.6Bは6.40%と掲載されている。どちらもこの指標ではWhisperを下回るが、これらの数値は本来の用途についてほとんど何も語らない。

Voxtral Mini 4B Realtime 2602（Apache 2.0、13言語）は、3.4Bの言語モデルと、スクラッチから学習された970Mの因果音声エンコーダを組み合わせている。両部分がスライディングウィンドウ注意機構を使うため、実質的に無制限のストリーミングが可能である。転写遅延は80msから1200msまで80ms刻みで設定でき、さらに独立した2400msオプションもある。Mistralは480msを最適設定として推奨しており、その設定では主要なオフラインのオープンモデルに匹敵するとしている。単一の16GB GPUで動作し、day-0でvLLM Realtime APIサポートを備えていた。

Kyutai STT（CC-BY-4.0）は2つの形態で提供される。約1Bパラメータの英語・フランス語モデルは0.5sの遅延と内蔵の意味的音声活動検出器を備え、2.6Bの英語専用モデルは2.5sの遅延を持つ。音声エージェントでは、意味的VADが転写遅延より重要になる場合がある。これは話者が実際に話し終えたタイミングを予測し、体感されるターンテイキングのレイテンシーを左右するためだ。H100はリアルタイムで400の同時ストリームを処理できる。

カバレッジ重視のモデル

MetaのOmnilingual ASR（モデルはApache 2.0、コーパスはCC-BY）は、主にWERで競争しているものではなく、そのように評価すべきでもない。ネイティブで1,600以上の言語をカバーし、ゼロショットのインコンテキスト学習により5,400超まで拡張される。このシステムは、7Bにスケールしたwav2vec 2.0エンコーダを基盤とし、約4.3M時間で事前学習されている。7B LLM-ASRバリアントは、対応言語の78%で文字誤り率10%未満を達成しており、その中にはこれまでどのASRシステムにも対応されていなかった500超の言語が含まれる。文字誤り率は、単語境界が一貫しない場合や、低リソース言語の評価を文字レベルで行う方が実用的な場合に一般的に用いられる。エンコーダサイズは300Mから7Bまである。Metaは、350超の十分に支援されていない言語をカバーするOmnilingual ASR Corpusも公開した。

Whisper large-v3（1.55B、MIT、99言語）は、精度ではおよそ10のオープンモデルに追い抜かれているが、多くのプロジェクトにとって依然として強力なデフォルトである。MITはこの分野で最も制約の少ないライセンスである。実行環境のエコシステムであるwhisper.cpp、faster-whisper、WhisperXは、新しいリリース群の中でなお匹敵するものがない。幅広い言語対応、柔軟なハードウェア対応、最小限のライセンス上の摩擦が要件であるなら、Whisper large-v3は依然として実用的な答えである。

研究重視のモデル

YC発スタートアップInterfazeのdiffusion-gemma-asr-smallは、今年の中でもアーキテクチャ面で特に異例なリリースの1つである。256トークンのキャンバス上で8から16ステップの並列拡散デノイジングによりトランスクリプトを生成するため、デコードコストはトランスクリプト長に応じて増加しない。学習されたパラメータは約42M、重み全体の0.16%に相当し、凍結された26B DiffusionGemmaと凍結されたwhisper-smallエンコーダの上に構築されている。LibriSpeech test-cleanで6.6% WERに達し、速度はおよそリアルタイムの11から17×である。一方で、FLEURS Englishでは15.7%、FLEURS Mandarinでは29.6% CERを記録しているため、LibriSpeechの数値は上限として扱うべきである。このモデルは本番投入可能なものとして提示されてはいないが、ASR実務者にとって重要な研究である。

MOSS-Transcribe-Diarize 0.9B（Apache 2.0、50超言語）は、多くのASR比較が脇に置く問題に対処している。ASRを別個のダイアライゼーションシステムにつなぐのではなく、1回の生成で話者ラベル、単語タイムスタンプ、トランスクリプトを出力する。128kコンテキスト、1回のパスで約90分の音声、RTX 4090上で約0.017のRTF、ホットワードバイアスをサポートする。

ライセンスの違いがデプロイ可否を決めることがある

ライセンスは、モデルを実際に出荷できるかどうかを決める問題になることが多い。この分野は明確に分かれている。

Apache 2.0は、Cohere Transcribe、Granite Speech 4.1の3つの全バリアント、Qwen3-ASRの両サイズ、Voxtral Mini Realtime、Omnilingual ASR、ARK-ASR、MOSS-Transcribeを対象とする。これらのモデルには帰属表示義務がなく、商用利用も制限されない。ただし、Cohereのリポジトリは、ライセンス自体がApache 2.0であるにもかかわらず、連絡先情報の提供合意によりゲートされている。

MITはWhisper large-v3に適用され、この分野で最も寛容な選択肢となっている。

CC-BY-4.0は、Canary-Qwen-2.5B、Parakeet TDT 0.6B v3、Kyutai STTに適用される。これらのモデルは商用利用できるが、帰属表示が必要である。組み込み製品やホワイトラベルAPIでは、この帰属表示要件は意味のあるコンプライアンス上の義務であり、チームがテストした中で最も精度の高いモデルではないものをデプロイする理由になることが多い。

MetaのOmnilingual ASRは分かれており、モデルはApache 2.0、コーパスはCC-BYである。

実務的な選定順序

モデル選定プロセスは、単にリーダーボード順位に従うべきではない。

まずライセンスから始める。帰属表示が受け入れられない場合、CC-BY-4.0はベンチマーク開始前にParakeet、Canary-Qwen、Kyutaiを除外する。

次に、言語カバレッジを確認する。Cohereの14言語、Graniteの6言語、Canaryの英語のみという対応範囲は固定された制約である。Cohereには自動言語検出もないため、事前に言語が分かっていなければならない。

その後、アプリケーションがストリーミング処理を必要とするのか、バッチ処理でよいのかを決める。これはアーキテクチャ上の違いであり、チューニングによってオフラインのエンコーダ・デコーダモデルを低レイテンシーのストリーミングシステムに変えることはできない。

次に、実際に処理する音声でWERを測定する。公開ベンチマークでは上位10モデルの差は1ポイント未満だが、アクセントがある音声、ノイズの多い音声、ドメイン固有の音声では差がその数倍に広がり、モデルの順位も同じにはならない。下流システムがダイアライゼーション、タイムスタンプ、句読点、ホットワード処理に依存している場合、それらの出力はWERから推測するのではなく、直接テストする必要がある。

最後に、実際に使用するハードウェア上で音声1時間あたりのコストを計算する。RTFxの数値は通常、データセンター用ハードウェア上の大きなバッチサイズで測定されており、すべてのデプロイ環境に直接当てはまるわけではない。

2026年の中心的な変化は、単一のモデルがASR市場を制したことではない。寛容なライセンスを持つ2Bオープンウェイトモデルが、18カ月前にはクローズドAPIが課金していた性能水準を今や上回り得るようになったこと、そして残る選択が研究上の判断というより調達上の判断に近づいていることだ。

原記事で引用された情報源には、Cohere Transcribeのブログとモデルカード、IBM Granite Speech 4.1 2Bおよび4.1 2B-NAR、ARK-ASR-3B、MOSS-Transcribe-preview-2BおよびMOSS-Transcribe-Diarize、NVIDIA Canary-Qwen-2.5BおよびParakeet TDT 0.6B v3、Qwen3-ASR、Voxtral Mini 4B Realtime 2602、Kyutai STT、Meta Omnilingual ASRと論文、Whisper large-v3、diffusion-gemma-asr、Open ASR Leaderboardの論文、リーダーボードデータセット、Appenの非公開トラック発表が含まれる。

リーダーボードの順位はリアルタイムで変化し、頻繁に更新される。すべての数値は2026年7月23日に一次情報源に照らして確認された。