Model Speech-to-Text Open Source Terbaik di 2026
Model speech-to-text open-source terbaik pada Oktober 2026 adalah Nemotron 3.5 Transcribe dari NVIDIA, yang dirilis pada 28 Oktober. Pada Hugging Face Open ASR Leaderboard yang diperbarui hari yang sama, model ini rata-rata memiliki word error rate 5.33% dan berada di peringkat 9 dari 61 model. Delapan model di atasnya semuanya adalah API komersial tertutup. whisper-large-v3 dari OpenAI, yang masih menjadi default di banyak tutorial, berada di peringkat 41 dengan 7.16%.
Di bawah ini adalah sembilan model pengenalan ucapan open-weight yang layak dipertimbangkan saat ini, diperingkatkan berdasarkan leaderboard tersebut, dengan kecepatan, keunggulan, dan pekerjaan yang cocok untuk masing-masing. Setiap angka WER dan kecepatan berasal dari leaderboard yang dibaca pada 29 Oktober 2026.
Jika Anda lebih memilih di antara API hosted, baca panduan API Nemotron 3.5 Transcribe kami dan panduan API Whisper kami.
Bagaimana kami memberi peringkat
Open ASR Leaderboard menjalankan setiap model pada set pengujian bahasa Inggris yang sama: rapat (AMI), panggilan pendapatan (Earnings22), podcast dan YouTube (GigaSpeech), buku audio (LibriSpeech), panggilan keuangan (SPGISpeech), ucapan berisik (URGENT24), audio percakapan (Voice Arena Monsoon), pidato parlemen (VoxPopuli), dan dua set privat. Metrik peringkatnya adalah WER rata-rata, di mana lebih rendah lebih baik.
Kami juga mencantumkan RTFx, ukuran kecepatan leaderboard: detik audio yang ditranskripsikan per detik komputasi. Lebih tinggi berarti lebih cepat. API tertutup menunjukkan "NA" karena tidak dapat diukur waktunya pada perangkat keras yang sama.
Kami menghitung sebuah model sebagai open-weight ketika checkpoint-nya dapat diunduh dan leaderboard melaporkan RTFx untuknya. Periksa setiap lisensi sebelum penggunaan komersial.
Peringkat sekilas
| Peringkat (open) | Model | Rata-rata WER | RTFx | Peringkat keseluruhan |
|---|---|---|---|---|
| 1 | NVIDIA Nemotron 3.5 Transcribe 30B-A4B | 5.33% | 462 | 9 |
| 2 | Qwen3-ASR-1.7B | 5.40% | 819 | 11 |
| 3 | IBM Granite Speech 5.0 2B | 5.68% | 545 | 12 |
| 4 | Cohere Transcribe (03-2026) | 5.77% | 902 | 14 |
| 5 | TheStage AI Whisper large-v3 turbo | 5.91% | 1,177 | 17 |
| 6 | NVIDIA Canary-Qwen 2.5B | 5.94% | 862 | 21 |
| 7 | NVIDIA Parakeet TDT 0.6B (versions) | 5.98% hingga 6.18% | tidak dibandingkan | 24 hingga 31 |
| 8 | Mistral Voxtral Small 24B | 6.38% | tidak dibandingkan | 35 |
| 9 | OpenAI Whisper large-v3 | 7.16% | tidak dibandingkan | 41 |
Sebagai konteks, API tertutup terbaik di papan yang sama: Otter speech-v3.1 pada 4.55%, Zoom Scribe v2 Pro pada 4.70%, ElevenLabs Scribe v2 pada 5.24%, AssemblyAI Universal-3.5 Pro pada 5.39% dan OpenAI gpt-transcribe pada 5.96%. Nemotron 3.5 Transcribe mengalahkan AssemblyAI dan model hosted OpenAI sekaligus gratis untuk diunduh.
1. NVIDIA Nemotron 3.5 Transcribe: terbaik secara keseluruhan
WER 5.33%, RTFx 462, lisensi OpenMDW-1.1
Model baru NVIDIA ini bukan jaringan ASR klasik. Ini adalah model bahasa yang diperkaya ucapan: encoder ASR 600M parameter dan encoder pembicara memberi masukan ke LLM campuran pakar hibrida Mamba-2 dan Transformer dengan total 34B dan sekitar 4.3B parameter aktif. Desain itulah sebabnya model ini melakukan lebih dari sekadar transkripsi.
Mengapa ia berada di peringkat pertama:
- 40 bahasa, dengan 13 dinilai "unggul"
- File satu jam dalam sekali proses, dengan konteks 65,536 token
- Atribusi pembicara (hingga delapan pembicara) dan timestamp kata dari satu model
- Prompt: kata verbatim atau bersih, istilah konteks untuk jargon, terjemahan
- Akurasi long-form: WER rata-rata 10.98% pada set long-form leaderboard, versus 13.37% untuk Parakeet-TDT-0.6B-v3, menurut kartu model
- Rapat: cpWER rata-rata 15.80% pada set multi-pembicara, di depan pipeline DiCoW plus DiariZen pada 16.83%
Trade-off: membutuhkan GPU besar (satu H100 80 GB dalam BF16, atau RTX 5090 dengan bobot NVFP4), tidak streaming, dan tanya jawab audio hanya bahasa Inggris.
Pilih untuk: rapat, podcast, panggilan pendapatan, arsip multibahasa, dan apa pun yang membutuhkan label pembicara atau file satu jam. Mulai dengan jalur gratis atau menjalankannya secara lokal.
2. Qwen3-ASR-1.7B: akurasi terbaik per dolar GPU
5.40% WER, RTFx 819
Qwen3-ASR-1.7B dari Alibaba hanya tertinggal 0.07 poin di belakang Nemotron pada rata-rata bahasa Inggris, namun berjalan sekitar 1.8 kali lebih cepat pada perangkat keras leaderboard, dari model dengan ukuran total seperdua puluhnya. Pada perbandingan multibahasa tujuh bahasa milik NVIDIA sendiri, Nemotron memimpin lebih jelas: WER rata-rata 4.62% versus 6.49%.
Pilih untuk: transkripsi batch yang didominasi bahasa Inggris pada GPU yang lebih kecil, di mana Anda tidak memerlukan atribusi pembicara bawaan. Jika Anda sudah menggunakan model multimodal Qwen, lihat panduan kami untuk Qwen3.5-Omni.
3. IBM Granite Speech 5.0 2B: terbaik untuk audio rapat pada ukurannya
5.68% WER, RTFx 545
Granite Speech 5.0 dari IBM mencatat WER 6.96% pada rekaman rapat AMI, skor AMI terbaik di antara enam model open teratas di sini dan lebih baik daripada 7.78% milik Nemotron di sana. Titik lemahnya adalah panggilan keuangan SPGISpeech pada 3.36%.
Pilih untuk: tim enterprise yang menstandarkan pada stack Granite IBM, dan transkripsi rapat pada GPU kelas menengah.
4. Cohere Transcribe: cepat dan akurat
5.77% WER, RTFx 902
Model transkripsi Cohere Labs Maret 2026 memadukan skor akurasi open lima teratas dengan salah satu kecepatan tertinggi di sini. Paling kuat pada LibriSpeech (0.97% bersih, 2.05% lainnya) dan lebih lemah pada VoxPopuli di 5.38%.
Pilih untuk: pipeline bahasa Inggris bervolume tinggi yang throughput-nya sama pentingnya dengan akurasi.
5. TheStage AI Whisper large-v3 turbo: tercepat di tier teratas
5.91% WER, RTFx 1,177
Ini adalah build Whisper large-v3 turbo yang dioptimalkan dari TheStage AI, dan merupakan model tercepat dalam daftar kami. Ia mencetak 1.62% pada SPGISpeech, skor terbaik ketiga pada set itu di antara semua 61 model. Ini menunjukkan masih banyak potensi keluarga Whisper setelah seseorang menyetelnya.
Pilih untuk: tim dengan kode Whisper yang ada yang menginginkan peningkatan kecepatan dan akurasi drop-in.
6. NVIDIA Canary-Qwen 2.5B: flagship NVIDIA sebelumnya
5.94% WER, RTFx 862
Canary-Qwen adalah model speech-plus-LLM NVIDIA sebelumnya, dan Nemotron 3.5 Transcribe menggantikannya di puncak. Ia masih cepat, dan skor SPGISpeech-nya 1.70% sangat baik. Pada tes preference-ASR NVIDIA, Nemotron mencetak 7.56% versus 8.16% milik Canary-Qwen.
Pilih untuk: deployment NeMo yang ada yang belum bisa pindah ke GPU 80 GB.
7. NVIDIA Parakeet TDT 0.6B: opsi serius terkecil
WER 5.98% hingga 6.18% di berbagai versi
Parakeet TDT memiliki beberapa versi 0.6B parameter di papan, semuanya dalam selisih sekitar 0.2 poin satu sama lain. Dengan 600M parameter, ini adalah model terkecil di sini yang tetap mendekati WER 6%, sehingga dapat berjalan pada GPU sederhana. Kelemahannya adalah audio long-form, di mana Nemotron mengalahkannya dengan selisih lebih dari dua poin.
Pilih untuk: perangkat edge, GPU murah, dan klip pendek seperti perintah suara atau potongan panggilan.
8. Mistral Voxtral Small 24B: ucapan plus LLM yang kuat
6.38% WER
Voxtral Small memadukan input ucapan dengan model bahasa Mistral 24B, jadi seperti Nemotron ia dapat menjawab pertanyaan tentang audio, bukan hanya mentranskripsinya. Ia tertinggal dari lima teratas dalam WER murni. Perbandingan Voxtral vs. Whisper kami membahas rilis sebelumnya secara mendalam.
Pilih untuk: asisten suara dan Q&A audio yang model bahasanya lebih penting daripada poin terakhir WER.
9. OpenAI Whisper large-v3: baseline
WER 7.16%, peringkat 41 keseluruhan
Whisper large-v3 masih merupakan model open yang paling banyak digunakan, dengan ekosistem wrapper, fine-tune, dan tutorial terbesar. Dalam hal akurasi, ia sekarang tertinggal dari setiap model lain dalam daftar ini. Jika Anda menjalankannya di produksi, beralih ke salah satu dari enam teratas adalah peningkatan kualitas termurah yang tersedia.
Pilih untuk: prototipe yang bergantung pada tooling khusus Whisper, atau sebagai baseline yang harus dikalahkan.
Mana yang harus Anda pilih?
| Tugas Anda | Pilih |
|---|---|
| Rapat dengan beberapa pembicara | Nemotron 3.5 Transcribe |
| Podcast atau panggilan satu jam dalam sekali proses | Nemotron 3.5 Transcribe |
| Arsip multibahasa | Nemotron 3.5 Transcribe |
| Tugas batch bahasa Inggris pada GPU yang lebih kecil | Qwen3-ASR-1.7B |
| Throughput maksimum | TheStage Whisper large-v3 turbo atau Cohere Transcribe |
| Perangkat edge atau berbiaya rendah | Parakeet TDT 0.6B |
| Q&A audio plus transkripsi | Nemotron 3.5 Transcribe atau Voxtral Small |
| Kode Whisper yang ada, perubahan minimal | TheStage Whisper large-v3 turbo |
Satu peringatan: rata-rata leaderboard menyembunyikan kesenjangan domain. Nemotron terbaik secara keseluruhan, namun Granite mengalahkannya pada AMI dan beberapa model mengalahkannya pada LibriSpeech. Uji dua atau tiga teratas pada 50 hingga 100 rekaman Anda sendiri sebelum memutuskan.
Benchmark kandidat dengan agen coding Anda dan Apidog CLI
Cara tercepat untuk menjalankan uji banding itu adalah membiarkan agen coding Anda melakukannya. Sajikan dua atau tiga model di balik endpoint /v1/audio/transcriptions bergaya OpenAI (SGLang-Omni menyajikan Nemotron dengan cara ini), lalu minta agen membangun dan menjalankan pemeriksaan yang sama terhadap masing-masing dengan Apidog CLI.
npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com # pick your agent when prompted
Lalu beri agen Anda satu [REDACTED PROMPT]text
In Apidog project , create one environment per speech server (nemotron, qwen3-asr,
whisper) with its baseUrl. Create test cases that POST each file in samples/ to
{{baseUrl}}/v1/audio/transcriptions, assert status 200 and non-empty text, and save the
transcript to a variable. Run the cases against each environment and give me a table
of failures and response times per server.
Agen membaca skema, memvalidasi payload-nya, menulis kasus, dan menjalankannya per environment:
bash
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project --file case.json
apidog run --test-case --project -e -r cli,json
Nilai transkrip yang disimpan terhadap teks referensi Anda dengan skrip WER apa pun, dan pertahankan proses environment pemenang di CI dengan `-r junit`. Lihat [Apidog CLI di Claude Code](https://apidog.com/id/blog/apidog-cli-in-claude-code?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) dan [Apidog CLI dalam pipeline CI/CD](https://apidog.com/id/blog/apidog-cli-ci-cd-pipeline?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation).
## FAQ
**Apa model speech-to-text open-source paling akurat?** NVIDIA Nemotron 3.5 Transcribe, dengan WER rata-rata 5.33% pada Open ASR Leaderboard 28 Oktober 2026.
**Apakah Whisper masih bagus?** Ia berfungsi, tetapi `whisper-large-v3` berada di peringkat 41 dengan 7.16%. Build Whisper yang disetel seperti large-v3 turbo TheStage mencetak 5.91%.
**Model open mana yang tercepat?** Di antara model di sini, Whisper large-v3 turbo dari TheStage AI, dengan RTFx 1,177.
**Apakah model open sekarang mengalahkan API berbayar?** Beberapa. Nemotron 3.5 Transcribe mengalahkan AssemblyAI Universal-3.5 Pro (5.39%) dan OpenAI gpt-transcribe (5.96%). Otter, Zoom, dan ElevenLabs masih memimpin secara keseluruhan. Untuk opsi hosted, lihat [ikhtisar API speech-to-text](https://apidog.com/id/blog/top-5-text-to-speech-and-speech-to-text-apis-you-should-use-right-now?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) kami.
**Mana yang mendukung diarisasi pembicara?** Nemotron 3.5 Transcribe melakukannya dalam model yang sama, dengan hingga delapan pembicara. Sebagian besar lainnya memerlukan langkah diarisasi terpisah.
## Putusan
Untuk sebagian besar tim pada akhir 2026, mulailah dengan Nemotron 3.5 Transcribe jika Anda memiliki GPU 80 GB atau dapat membayar $0.12 per jam pada API hosted. Pilih Qwen3-ASR-1.7B saat anggaran GPU ketat, dan Parakeet saat perangkat keras lebih ketat lagi. Apa pun yang Anda pilih, uji pada audio Anda sendiri, dan biarkan agen Anda terus menjalankan pemeriksaan [Apidog](https://apidog.com?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) agar model yang Anda pilih tetap berkinerja setelah setiap upgrade.
Top comments (0)