每個主要人工智能實驗室現在都發布了用於 ASR 的開源大型語音模型，為生產環境選擇合適的模型已成為一個真正的決策。本評論將主要參與者並排放置：OpenAI 的 Whisper、Google 的 USM 相鄰版本、Meta 的 MMS 和 wav2vec 2.0 系列，以及 Nvidia 的 NeMo 系列（Conformer、Parakeet、Canary）。目標是在實際對從事語音產品的團隊很重要的各個軸上進行誠實的比較——真實音頻的準確性、語言覆蓋範圍、延遲、許可、微調人體工程學，以及每個堆棧周圍社區的規模。

本部分不是死板地背誦排行榜數字，而是專注於每個模型的優勢和劣勢：長型轉錄、代碼轉換、領域適應、流式處理以及在規模上運行它們的實際成本。當您需要時間戳或熱詞偏置時，它還指出了端到端 Transformer 解碼器和 CTC 風格架構之間的權衡。如果您為自研管道評估開源 ASR 基礎模型，在您自己花費 GPU 小時對它們進行基準測試之前，這份總結是一個可靠的起始地圖。