Лидерборд ASR-моделей
соберите рейтинг под себя

ASR-бенчмаркобновлено 12 октября 2026

24 нейросети распознавания речи на русско-английской IT-диктовке. Подвигайте веса WER, пунктуации и EPI, переключите корпус и спикера — таблица пересчитает рейтинг на лету.

Методология и выводы — в статье
модели
24
конфигураций
100+
прогонов
100 000+
часов инференса
120

Рейтинг при дефолтных весах — WER 0.65 · punct 0.10 · EPI 0.25, корпус «Полный зачёт», оба спикера; для каждой модели показан её лучший конфиг. Интерактивная версия (нужен JavaScript) пересчитывает рейтинг под ваши веса, корпус и спикера.
☁ API — облако, платно · ⬡ OSS — открытые веса, локально

Рейтинг ASR-моделей при дефолтных весах, лучший конфиг каждой модели
#МодельКонфигTierQWEREPIpunctСкорость
1OpenAI gpt-transcriberu+en · promptv3☁ API94.364.6589.6499.73—
2OpenAI gpt-4o-mini-transcribeauto · promptv3☁ API92.155.7183.4999.89—
3OpenAI gpt-4o-transcribeauto · promptv3☁ API91.646.2982.9599.89—
4Google Chirp 3ru-RU · noprompt☁ API90.977.8584.3499.90—
5Breeze-ASR (Mediatek, large-v2 ft)promptv3 + capglue⬡ OSS90.747.7983.3899.59×21
6Whisper large-v3-turbopromptv4 + ah⬡ OSS89.627.6478.4499.75×53
7Whisper Turbo RU code-switch (coriollon)promptv2 + ah⬡ OSS89.537.7079.4996.56×58
8Whisper medium (f16)promptv4⬡ OSS88.738.7877.8799.71×27
9Whisper large-v2 (Q5_0)prompt⬡ OSS88.568.0975.3399.86×22
10Whisper large-v3 (Q5_0)promptv4 + ah⬡ OSS88.069.2076.7898.44×21
11Whisper medium (Q4_1)promptv4 + ah⬡ OSS87.609.4575.0899.65×28
12Whisper large-v3 (f16)prompt + ah⬡ OSS86.2611.0473.8199.85×20
13Deepgram Nova-3multi · noprompt☁ API85.8410.3070.3099.63—
14Whisper large-v3-turbo RU (Podlodka)noprompt + lid + ah⬡ OSS85.589.5967.3499.80×49
15Whisper large-v3 RU (antony66)noprompt + ah⬡ OSS85.4710.1868.8498.79×18
16Whisper Turbo RU (coriollon)promptv3⬡ OSS84.449.3562.6998.52×58
17Voxtral Mini 4B Realtimenoprompt⬡ OSS83.4412.7367.0599.57×1.4
18Qwen3-ASR 1.7Bnoprompt⬡ OSS79.6015.4861.0294.10×7.1
19VibeVoice-ASR (4-bit)noprompt⬡ OSS75.6321.7759.1699.89×2.9
20NVIDIA Parakeet TDT 0.6B v3noprompt⬡ OSS75.1517.2945.6099.91×12
21NVIDIA Canary 1B v2noprompt⬡ OSS74.2618.1544.2899.89×4.1
22GigaAM v3 (E2E CTC)noprompt⬡ OSS71.8120.4940.5499.89×18
23Borealis (Vikhr)noprompt⬡ OSS65.6722.3621.4198.49×7.8
24SeamlessM4T v2 Largenoprompt⬡ OSS55.9931.9029.9442.45×13

Что означают колонки

WERWord Error Rate
Доля ошибочно распознанных слов: WER 8 — примерно 8 ошибок на 100 слов. Шкала 0–100.
↓ меньше — лучше
EPIEnglish Preservation Index
Моя метрика: удерживает ли модель английские термины в латинице. «GitHub» — зачёт, «гитхаб» — ноль. Устоявшиеся заимствования вроде «бага» и «коммита» не штрафуются.
↑ больше — лучше
punctПунктуация
Качество расстановки знаков препинания. Шкала 0–100.
↑ больше — лучше
QКомпозитный балл
Q = 0.65·(100−WER) + 0.10·punct + 0.25·EPIЧисла — мои дефолтные веса под айтишную диктовку с английскими терминами; ползунки над таблицей крутят их под ваш сценарий.
↑ больше — лучше
Скорость×realtime
Во сколько раз обработка быстрее реального времени: ×20 — модель перемалывает аудио в 20 раз быстрее, чем оно звучит. Только для локальных моделей: у cloud-API время зависит от сети и очередей. Замеры — на RTX 5070 Ti.
↑ больше — быстрее

О бенчмарке

Этот лидерборд — живая версия моего бенчмарка: 24 нейросети распознавания речи, 100+ конфигураций, больше 100 000 прогонов и 120 часов инференса. Локальные модели измерялись на RTX 5070 Ti, облачные — через API. Обновление включает сохранённые прогоны когорты gpt-transcribe от 10 сентября 2026 года; новых замеров в октябре не было. В таблице всё семейство Whisper — Large v3, Turbo, Medium и русские файнтюны, — аудио-LLM Voxtral и Qwen3-ASR, NVIDIA Parakeet и Canary, GigaAM v3, VibeVoice, плюс cloud-API OpenAI, Google и Deepgram. Корпус — русско-английская IT-диктовка: два голоса, три типа записи, от студийного микрофона до встроенного в ноутбук. Полная методология, статистические оговорки и главный сюрприз — в статье с разбором бенчмарка.

А началось всё с мартовской статьи про voice-to-text, где я рекомендовал Whisper Large v3 по итогам сравнения «по ощущениям». Когда я пересобрал всё по-научному, та рекомендация устарела — теперь рейтинг можно проверить цифрами, а не ощущениями.

Частые вопросы

Зачем двигать ползунки весов?

Дефолтные веса — WER 0.65, punct 0.10, EPI 0.25 — собраны под мой сценарий: айтишная диктовка с английскими терминами. Если диктуете на чистом русском — обнулите EPI, рейтинг заметно перестроится. Если у вас сплошные английские термины — пресет «Англо-термины» поднимает EPI до 0.5. Пресеты под типовые сценарии уже зашиты над таблицей.

Что за корпус и зачем переключать спикера?

Корпус — два голоса и три типа записи, всего пять страт: чтение длинного текста, спонтанная live-диктовка и фрагмент обучающего видео. Спикер 1 — я, динамический микрофон с аудио-интерфейсом. Спикер 2 — женский голос, встроенный микрофон ноутбука. Переключение спикера показывает, насколько модель чувствительна к голосу и качеству записи.

Какая модель лидирует и как её поставить?

При дефолтных весах в общем зачёте первая по баллу gpt-transcribe: Q=94.4 в режиме ru+en с promptv3. Лучшая среди open-source — Breeze-ASR с promptv3 и capglue, Q=90.7. На live с IT-терминами первая по баллу gpt-4o-mini-transcribe с promptv3 (Q=92.9), Breeze вторая (91.9), разница между ними в пределах погрешности. Q — составной балл, не процент точности. Что из этого статистически различимо, как поставить модели и что выбрать без видеокарты — в статье с методологией.

Можно ли скачать данные бенчмарка?

Да. Агрегированные числа всех конфигураций лежат в открытом JSON — том же, из которого собирается эта таблица: egorsokolov.ru/data/asr-leaderboard.json. Лицензия CC BY 4.0 — используйте со ссылкой на источник. Сырые аудио корпуса не публикуются: privacy голосов спикеров.