Ekim 2026 itibarıyla en iyi açık kaynak konuşmadan metne modeli, 28 Ekim’de yayımlanan NVIDIA’nın Nemotron 3.5 Transcribe modeli. Aynı gün güncellenen Hugging Face Open ASR Leaderboard’da ortalama %5,33 kelime hata oranıyla 61 model arasında 9. sırada yer alıyor. Üstündeki sekiz modelin tamamı kapalı ticari API’ler. Birçok eğitimde hâlâ varsayılan olan OpenAI’nin whisper-large-v3 modeli ise %7,16 ile 41. sırada.
Aşağıda, şu anda değerlendirmeye değer dokuz açık ağırlıklı konuşma tanıma modeli, bu liderlik tablosuna göre sıralanmış olarak; hızları, güçlü yönleri ve her birinin uygun olduğu işlerle birlikte verilmiştir. Tüm WER ve hız değerleri, 29 Ekim 2026’da okunan liderlik tablosundan alınmıştır.
Bunun yerine barındırılan API’ler arasında seçim yapıyorsanız, Nemotron 3.5 Transcribe API rehberimize ve Whisper API rehberimize göz atın.
Onları nasıl sıraladık
Open ASR Leaderboard her modeli aynı İngilizce test setlerinde çalıştırır: toplantılar (AMI), kazanç görüşmeleri (Earnings22), podcast’ler ve YouTube (GigaSpeech), sesli kitaplar (LibriSpeech), finans görüşmeleri (SPGISpeech), gürültülü konuşma (URGENT24), sohbet amaçlı ses (Voice Arena Monsoon), parlamento konuşmaları (VoxPopuli) ve iki özel set. Sıralama ölçütü ortalama WER’dir; düşük olması daha iyidir.
Ayrıca liderlik tablosunun hız ölçüsü olan RTFx’i de listeliyoruz: hesaplamanın saniyesi başına yazıya dökülen ses saniyesi. Yüksek olması daha hızlı olduğu anlamına gelir. Kapalı API’ler “NA” gösterir çünkü aynı donanımda zamanlanamazlar.
Bir modeli, kontrol noktası indirilebilir olduğunda ve liderlik tablosu onun için bir RTFx bildirdiğinde açık ağırlıklı saydık. Ticari kullanımdan önce her lisansı kontrol edin.
Bir bakışta sıralama
| Rank (open) | Model | Avg WER | RTFx | Overall rank |
|---|---|---|---|---|
| 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% to 6.18% | not compared | 24 to 31 |
| 8 | Mistral Voxtral Small 24B | 6.38% | not compared | 35 |
| 9 | OpenAI Whisper large-v3 | 7.16% | not compared | 41 |
Bağlam açısından, aynı tablodaki en iyi kapalı API’ler: Otter speech-v3.1 %4,55, Zoom Scribe v2 Pro %4,70, ElevenLabs Scribe v2 %5,24, AssemblyAI Universal-3.5 Pro %5,39 ve OpenAI gpt-transcribe %5,96. Nemotron 3.5 Transcribe, indirmesi ücretsiz olmasının yanı sıra AssemblyAI ve OpenAI’nin barındırılan modelini geride bırakıyor.
1. NVIDIA Nemotron 3.5 Transcribe: genel olarak en iyi
%5,33 WER, RTFx 462, OpenMDW-1.1 lisansı
NVIDIA’nın yeni modeli klasik bir ASR ağı değil. Konuşma ile güçlendirilmiş bir dil modeli: 600M parametreli bir ASR kodlayıcısı ve bir konuşmacı kodlayıcısı, toplam 34B ve yaklaşık 4,3B etkin parametreye sahip hibrit bir Mamba-2 ve Transformer uzmanlar karışımı LLM’i besliyor. Bu tasarım, modelin neden sadece yazıya dökmekten fazlasını yaptığını açıklıyor.
Neden birinci sırada:
- 40 dil, bunlardan 13’ü “lider” olarak değerlendirilmiş
- Bir saatlik dosyalar tek geçişte, 65.536 belirteçlik bağlam penceresiyle
- Konuşmacı atfı (sekize kadar konuşmacı) ve kelime zaman damgaları tek modelden
- İstemler: kelimesi kelimesine veya temiz ifade, jargon için bağlam terimleri, çeviri
- Uzun biçimli doğruluk: liderlik tablosunun uzun biçimli setlerinde ortalama %10,98 WER; model kartına göre Parakeet-TDT-0.6B-v3 için bu oran %13,37
- Toplantılar: çok konuşmacılı setlerde ortalama %15,80 cpWER; bu, %16,83 ile DiCoW artı DiariZen hattının önünde
Ödünler: büyük bir GPU gerektiriyor (BF16’da bir H100 80 GB veya NVFP4 ağırlıklarla bir RTX 5090), akış yapmıyor ve sesle soru yanıtlama yalnızca İngilizce.
Şunun için seçin: toplantılar, podcast’ler, kazanç görüşmeleri, çok dilli arşivler ve konuşmacı etiketlerinin veya bir saatlik dosyaların önemli olduğu her şey. Ücretsiz yollarla başlayın veya yerel olarak çalıştırın.
2. Qwen3-ASR-1.7B: GPU başına en iyi doğruluk
%5,40 WER, RTFx 819
Alibaba’nın Qwen3-ASR-1.7B modeli, İngilizce ortalamasında Nemotron’un yalnızca 0,07 puan gerisinde kalırken liderlik tablosunun donanımında yaklaşık 1,8 kat daha hızlı çalışıyor ve toplam boyutunun yirmide biri kadar. NVIDIA’nın kendi yedi dilli çok dilli karşılaştırmasında Nemotron daha net önde: ortalama %4,62 WER’e karşı %6,49.
Şunun için seçin: yerleşik konuşmacı atfına ihtiyaç duymadığınız, daha küçük GPU’larda İngilizce ağırlıklı toplu yazıya dökme. Qwen’in çok kipli modellerini zaten kullanıyorsanız, Qwen3.5-Omni rehberimize bakın.
3. IBM Granite Speech 5.0 2B: boyutuna göre toplantı sesinde en iyi
%5,68 WER, RTFx 545
IBM’in Granite Speech 5.0 modeli AMI toplantı kayıtlarında %6,96 WER elde ediyor; bu, buradaki ilk altı açık model arasında en iyi AMI skoru ve orada Nemotron’un %7,78’inden daha iyi. Zayıf noktası %3,36 ile SPGISpeech finans görüşmeleri.
Şunun için seçin: IBM’in Granite yığınında standartlaşan kurumsal ekipler ve orta seviye GPU’larda toplantı yazıya dökme.
4. Cohere Transcribe: hızlı ve doğru
%5,77 WER, RTFx 902
Cohere Labs’in Mart 2026 tarihli yazıya dökme modeli, ilk beşteki açık doğruluk skorunu buradaki en yüksek hızlardan biriyle birleştiriyor. LibriSpeech’te en güçlü (temiz %0,97, diğer %2,05), VoxPopuli’de ise %5,38 ile daha zayıf.
Şunun için seçin: doğruluk kadar verimin de önemli olduğu yüksek hacimli İngilizce iş akışları.
5. TheStage AI Whisper large-v3 turbo: en üst kademedeki en hızlı
%5,91 WER, RTFx 1.177
Bu, TheStage AI tarafından optimize edilmiş bir Whisper large-v3 turbo derlemesi ve listemizdeki en hızlı model. SPGISpeech’te %1,62 elde ediyor; bu, 61 modelin tamamı arasında o setteki en iyi üçüncü skor. Biri ince ayar yaptığında Whisper ailesinin hâlâ ne kadar canlı olduğunu gösteriyor.
Şunun için seçin: mevcut Whisper koduna sahip olan ve doğrudan değiştirilebilir bir hız ve doğruluk yükseltmesi isteyen ekipler.
6. NVIDIA Canary-Qwen 2.5B: önceki NVIDIA amiral gemisi
%5,94 WER, RTFx 862
Canary-Qwen, NVIDIA’nın daha önceki konuşma artı LLM modeliydi ve Nemotron 3.5 Transcribe zirvede onun yerini alıyor. Hâlâ hızlı ve %1,70’lik SPGISpeech skoru mükemmel. NVIDIA’nın tercih-ASR testinde Nemotron %7,56, Canary-Qwen ise %8,16 alıyor.
Şunun için seçin: henüz 80 GB’lık bir GPU’ya geçemeyen mevcut NeMo kurulumları.
7. NVIDIA Parakeet TDT 0.6B: en küçük ciddi seçenek
Sürümler arasında %5,98 ile %6,18 WER
Parakeet TDT’nin tabloda 0,6B parametreli birkaç sürümü var ve hepsi birbirinden yaklaşık 0,2 puan içinde. 600M parametrede, %6 WER civarında kalan buradaki en küçük model, bu yüzden mütevazı GPU’larda çalışıyor. Zayıf noktası, Nemotron’un onu iki puandan fazla geçtiği uzun biçimli ses.
Şunun için seçin: uç cihazlar, ucuz GPU’lar ve sesli komutlar veya arama kesitleri gibi kısa klipler.
8. Mistral Voxtral Small 24B: konuşma artı güçlü bir LLM
%6,38 WER
Voxtral Small, konuşma girdisini 24B’lik bir Mistral dil modeliyle eşleştiriyor, dolayısıyla Nemotron gibi o da sesi sadece yazıya dökmekle kalmayıp ses hakkında soruları yanıtlayabiliyor. Salt WER’de ilk beşin gerisinde kalıyor. Voxtral ile Whisper karşılaştırmamız, daha önceki sürümünü ayrıntılı olarak ele alıyor.
Şunun için seçin: dil modelinin WER’in son puanından daha önemli olduğu sesli asistanlar ve sesli soru-cevap.
9. OpenAI Whisper large-v3: referans noktası
%7,16 WER, genel sıralamada 41.
Whisper large-v3 hâlâ en yaygın kurulan açık model; sarmalayıcılar, ince ayarlar ve eğitimlerden oluşan en büyük ekosisteme sahip. Doğrulukta ise artık bu listedeki her modelin gerisinde. Üretimde çalıştırıyorsanız, ilk altıdan herhangi birine geçmek mevcut en ucuz kalite yükseltmesidir.
Şunun için seçin: Whisper’a özgü araçlara bağlı prototipler veya geçilmesi gereken referans noktası olarak.
Hangisini seçmelisiniz?
| Your job | Pick |
|---|---|
| Meetings with several speakers | Nemotron 3.5 Transcribe |
| One-hour podcasts or calls in one pass | Nemotron 3.5 Transcribe |
| Multilingual archives | Nemotron 3.5 Transcribe |
| English batch jobs on smaller GPUs | Qwen3-ASR-1.7B |
| Maximum throughput | TheStage Whisper large-v3 turbo or Cohere Transcribe |
| Edge or low-cost hardware | Parakeet TDT 0.6B |
| Audio Q&A plus transcription | Nemotron 3.5 Transcribe or Voxtral Small |
| Existing Whisper code, minimal change | TheStage Whisper large-v3 turbo |
Bir uyarı: liderlik tablosu ortalamaları alan farklarını gizler. Nemotron genel olarak en iyi, ancak Granite AMI’de onu geçiyor ve birkaç model LibriSpeech’te onu geçiyor. Karar vermeden önce ilk iki veya üç modeli kendi kayıtlarınızdan 50 ila 100 tanesinde test edin.
Adayları kodlama ajanınız ve Apidog CLI ile karşılaştırın
Bu karşılaştırmayı yapmanın en hızlı yolu, kodlama ajanınızın bunu yapmasına izin vermek. İki veya üç modeli OpenAI tarzı /v1/audio/transcriptions uç noktalarının arkasında sunun (SGLang-Omni, Nemotron’u bu şekilde sunuyor), ardından ajanın Apidog CLI ile her birine karşı aynı kontrolleri oluşturup çalıştırmasını sağlayın.
npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com # pick your agent when prompted
Ardından ajanınıza tek bir istem verin:
In Apidog project <id>, 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.
Ajan şemayı okur, yükünü doğrular, vakaları yazar ve bunları ortam başına çalıştırır:
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json
Kaydedilen transkriptleri referans metninizle herhangi bir WER betiğiyle puanlayın ve kazanan ortamın çalıştırmasını -r junit ile CI’da saklayın. Bkz. Claude Code’da Apidog CLI ve CI/CD iş akışında Apidog CLI.
SSS
En doğru açık kaynak konuşmadan metne modeli hangisi? NVIDIA Nemotron 3.5 Transcribe, 28 Ekim 2026 tarihli Open ASR Leaderboard’da ortalama %5,33 WER ile.
Whisper hâlâ iyi mi? Çalışıyor, ancak whisper-large-v3 %7,16 ile 41. sırada. TheStage’in large-v3 turbo gibi ince ayarlı Whisper derlemeleri %5,91 alıyor.
Hangi açık model en hızlı? Buradaki modeller arasında, 1.177 RTFx ile TheStage AI’nin Whisper large-v3 turbo modeli.
Açık modeller artık ücretli API’leri geçiyor mu? Bazıları. Nemotron 3.5 Transcribe, AssemblyAI Universal-3.5 Pro’yu (%5,39) ve OpenAI gpt-transcribe’ı (%5,96) geçiyor. Otter, Zoom ve ElevenLabs hâlâ genel olarak önde. Barındırılan seçenekler için konuşmadan metne API’leri derlememize bakın.
Hangisi konuşmacı ayrıştırmayı destekliyor? Nemotron 3.5 Transcribe bunu aynı modelde, sekize kadar konuşmacıyla yapıyor. Çoğu diğeri ayrı bir ayrıştırma adımı gerektiriyor.
Sonuç
2026’nın sonlarında çoğu ekip için, 80 GB’lık bir GPU’nuz varsa veya barındırılan bir API’de saat başına 0,12 $ ödeyebiliyorsanız Nemotron 3.5 Transcribe ile başlayın. GPU bütçesi kısıtlıysa Qwen3-ASR-1.7B’yi, donanım daha da kısıtlıysa Parakeet’i seçin. Hangisini seçerseniz seçin, kendi sesinizde test edin ve ajanınızın Apidog kontrollerini çalıştırmaya devam etmesini sağlayın; böylece seçtiğiniz model her yükseltmeden sonra performansını sürdürsün.