Name: FA-Bench leaderboard
Creator: Olewave

帶時間戳記的 ASR，20 ms 詞時間戳記 F1

排名	範圍	系統	存取方式	平均 F1	95% 區間	TIMIT 乾淨	TIMIT 雜訊	Buckeye 乾淨	Buckeye 雜訊	WER TIMIT	WER Buckeye	價格，每音訊小時 $
1	1–2	IBM Granite Speech 4.1 Plus	開源	0.489	0.477–0.500	0.597	0.531	0.450	0.379	2.9	10.4	–
2	1–2	Google Chirp 2	商用	0.486	0.475–0.498	0.488	0.497	0.492	0.469	4.2	13.1	$0.96
3	3–4	CrisperWhisper ⚠	開源	0.455	0.442–0.466	0.484	0.472	0.463	0.399	3.6	11.5	–
4	3–4	Google Chirp 3 ‡	商用	0.452	0.442–0.462	0.460	0.438	0.479	0.431	5.2	13.5	$0.96
5	5	Qwen3-ASR-Flash	商用	0.363	0.353–0.374	0.398	0.355	0.376	0.322	1.8	10.1	$0.13
6	6	Mistral Voxtral Mini	商用	0.308	0.298–0.319	0.315	0.294	0.325	0.299	2.4	13.4	$0.18
7	7–8	ElevenLabs Scribe v2	商用	0.281	0.275–0.288	0.304	0.297	0.267	0.256	2.1	10.7	$0.22
8	7–8	Amazon Transcribe	商用	0.273	0.263–0.284	0.259	0.264	0.289	0.281	2.7	10.3	$0.36
9	9–10	AssemblyAI Universal-3.5 Pro	商用	0.213	0.204–0.222	0.237	0.218	0.211	0.185	2.0	9.0	$0.21
10	9–10	TorchAudio (ASR)	開源	0.209	0.203–0.216	0.254	0.213	0.211	0.159	10.8	27.8	–
11	11–12	Deepgram Nova-3 ‡	商用	0.170	0.161–0.178	0.191	0.185	0.155	0.148	2.4	10.8	$0.26
12	11–12	Parakeet-TDT	開源	0.164	0.155–0.172	0.172	0.174	0.156	0.153	2.4	11.0	–
13	13	IBM Watson STT en-US	商用	0.149	0.142–0.157	0.135	0.132	0.176	0.155	5.1	12.4	$1.27
14	14–15	Azure AI Speech	商用	0.100	0.094–0.107	0.117	0.112	0.089	0.083	3.4	11.5	$1.00
15	14–15	Speechmatics Enhanced	商用	0.097	0.091–0.103	0.110	0.088	0.107	0.083	2.5	11.4	$0.75
16	16–17	Whisper large-v3	開源	0.049	0.046–0.052	0.029	0.029	0.067	0.069	2.9	13.7	–
17	16–17	Whisper-timestamped	開源	0.049	0.046–0.052	0.021	0.022	0.075	0.076	2.5	13.4	–
–	–	Olewave Olign v1	商用	0.681	0.673–0.690	0.786	0.695	0.660	0.585	2.2	10.2	$0.18

⚠ CrisperWhisper 的作者使用 TIMIT 建立其詞時間戳記功能，但未說明使用了哪些 TIMIT 檔案。FA-Bench 使用 TIMIT 的測試檔案進行測試，因此若作者也用過這些檔案，它在 TIMIT 上的分數就來自它已經見過的音訊。

‡ 在乾淨的 Buckeye 測試語句中，有 15% 的語句，Chirp 3 將最後一個詞的結束時間標在音訊結束後 0.3 s 以上。

‡ 在乾淨的 Buckeye 測試語句中，有 24% 的語句，Deepgram 將最後一個詞的結束時間標在音訊結束後 0.3 s 以上。

每一列代表一個以出廠狀態評測的系統。由辨識器與強制對齊器串接而成的組合不在此排名。這類組合會出現在強制對齊榜單的「辨識詞」下，以及其對齊器所在列的 F1 降幅中。Olign 的價格為每小時 $0.18，這是其上市促銷價。其定價為 $0.21。

Google Chirp 2 為 chirp_2, Speech-to-Text API v2。 Google Chirp 3 為 chirp_3, Speech-to-Text API v2。 Qwen3-ASR-Flash 為 qwen3-asr-flash-filetrans, DashScope API v1。 Mistral Voxtral Mini 為 voxtral-mini-2602, API v1。 ElevenLabs Scribe v2 為 scribe_v2, API v1。 Amazon Transcribe 為 en-US, batch API 2017-10-26。 AssemblyAI Universal-3.5 Pro 為 universal-3-5-pro, API v2。 Deepgram Nova-3 為 nova-3, build 2025-07-31.0, API v1。 IBM Watson STT en-US 為 en-US large speech model, API v1。 Azure AI Speech 為 en-US, short audio REST API v1。 Speechmatics Enhanced 為 enhanced, builds 16.0.0 and 16.1.0, API v2。 Olewave Olign v1 為 olign-1.0, Olign API v1。

Olign 已不再參加 FA-Bench。它最後的結果（2026 年 10 月）以未排名方式列在表格底部。

下載 CSV.

強制對齊，20 ms 詞時間戳記 F1

排名	範圍	系統	存取方式	平均 F1	95% 區間	F1 下降	TIMIT 乾淨	TIMIT 雜訊	Buckeye 乾淨	Buckeye 雜訊	MAE TIMIT	MAE Buckeye	價格，每音訊小時 $
1	1	MFA 3.4	開源	0.658	0.650–0.667	0.030	0.685	0.649	0.706	0.594	21.8	21.3	–
2	2	PocketSphinx	開源	0.648	0.639–0.658	0.033	0.645	0.594	0.728	0.627	30.5	22.1	–
3	3	NeuFA ⚠	開源	0.599	0.589–0.607	–	0.600	0.493	0.712	0.589	56.9	33.9	–
4	4	Charsiu	開源	0.563	0.553–0.573	0.024	0.597	0.532	0.627	0.497	28.1	28.1	–
5	5	MAPS ⚠	開源	0.547	0.537–0.556	0.024	0.712	0.412	0.642	0.421	25.5	37.9	–
6	6	CrisperWhisper ⚠	開源	0.473	0.461–0.485	0.017	0.489	0.480	0.491	0.434	34.1	43.1	–
7	7	Meta UnitY2	開源	0.439	0.428–0.449	0.022	0.380	0.393	0.495	0.486	52.2	40.6	–
8	8	Qwen3-FA	開源	0.402	0.391–0.413	0.013	0.416	0.386	0.426	0.380	32.2	33.8	–
9	9	Meta MMS-FA	開源	0.345	0.338–0.352	0.014	0.353	0.350	0.344	0.332	31.1	37.1	–
10	10	ElevenLabs-FA	商用	0.295	0.289–0.302	0.015	0.299	0.300	0.293	0.288	31.9	35.5	$0.22
11	11–13	BFA	開源	0.272	0.264–0.280	0.009	0.276	0.255	0.285	0.272	51.0	57.2	–
12	11–13	WhisperX	開源	0.271	0.264–0.277	0.014	0.280	0.267	0.281	0.254	37.2	41.7	–
13	12–13	TorchAudio	開源	0.265	0.258–0.272	0.013	0.273	0.255	0.275	0.256	39.8	42.4	–
14	14	stable-ts	開源	0.251	0.243–0.260	0.015	0.197	0.210	0.301	0.297	96.8	71.2	–
15	15	NVIDIA NeMo-FA †	開源	0.155	0.149–0.163	0.008	0.157	0.158	0.151	0.156	79.2	91.4	–
–	–	Olewave Olign v1	商用	0.735	0.726–0.743	–	0.805	0.710	0.755	0.668	18.2	22.4	$0.18

F1 降幅是指將 Qwen3-ASR 辨識出的詞（而非參考文字稿）交給對齊器時，其平均 F1 下降的幅度。例如，MFA 3.4 使用參考文字稿的得分為 0.658，使用辨識詞的得分為 0.628，F1 降幅為 0.030。

⚠ NeuFA 以 FA-Bench 的 Buckeye 測試集 8 位說話者中的 7 位訓練，因此它的 Buckeye 測試音訊大多來自它訓練時見過的說話者。

⚠ MAPS 以 FA-Bench 的 Buckeye 測試集 8 位說話者中的 7 位訓練，因此它的 Buckeye 測試音訊大多來自它訓練時見過的說話者。

⚠ CrisperWhisper 的作者使用 TIMIT 建立其詞時間戳記功能，但未說明使用了哪些 TIMIT 檔案。FA-Bench 使用 TIMIT 的測試檔案進行測試，因此若作者也用過這些檔案，它在 TIMIT 上的分數就來自它已經見過的音訊。

† 此處的 NeMo-FA 為其 80 ms 模型。40 ms 模型的平均 F1 為 0.199。

「文字稿」切換開關會顯示將 Qwen3-ASR 辨識出的詞（而非參考文字稿）交給各對齊器後的結果。這些詞在乾淨音訊上的 WER，於 TIMIT 核心測試集為 2.0%，於 Buckeye 測試集為 10.2%。NeuFA 未以辨識詞執行。MFA 3.4 使用 Parakeet-TDT 的詞，得分為 0.625；WhisperX 使用 Whisper large-v3 的詞，得分為 0.234。Olign 的價格為每小時 $0.18，這是其上市促銷價。其定價為 $0.21。

NeuFA 為 trained with its open-source code on GitHub, not released。 ElevenLabs-FA 為 forced-alignment, API v1。 Olewave Olign v1 為 olign-1.0, Olign API v1。

Olign 已不再參加 FA-Bench。它最後的結果（2026 年 10 月）以未排名方式列在表格底部。

下載 CSV.

強制對齊，20 ms 音素邊界 F1

排名	範圍	系統	存取方式	平均 F1	95% 區間	F1 下降	TIMIT 乾淨	TIMIT 雜訊	Buckeye 乾淨	Buckeye 雜訊	PER TIMIT	PER Buckeye	價格，每音訊小時 $
1	1	MFA 3.4	開源	0.436	0.431–0.443	0.008	0.393	0.372	0.518	0.463	34.8	26.1	–
2	2	PocketSphinx	開源	0.402	0.396–0.408	0.007	0.338	0.326	0.494	0.450	33.9	26.0	–
3	3	MAPS ⚠	開源	0.383	0.377–0.389	0.005	0.454	0.319	0.445	0.313	30.7	34.9	–
4	4	Charsiu	開源	0.372	0.367–0.378	0.003	0.360	0.347	0.424	0.359	30.3	31.7	–
5	5	NeuFA ⚠	開源	0.366	0.360–0.371	–	0.326	0.277	0.460	0.399	36.0	28.0	–
6	6	TorchAudio	開源	0.235	0.230–0.240	0.005	0.208	0.206	0.266	0.261	35.9	28.5	–
7	7	BFA	開源	0.217	0.212–0.221	0.004	0.183	0.178	0.255	0.251	36.2	32.1	–
–	–	Olewave Olign v1	商用	0.452	0.446–0.459	–	0.410	0.393	0.523	0.483	35.4	28.2	$0.18

F1 降幅是指將 Qwen3-ASR 辨識出的詞（而非參考文字稿）交給對齊器時，其平均 F1 下降的幅度。例如，MFA 3.4 使用參考文字稿的得分為 0.436，使用辨識詞的得分為 0.428，F1 降幅為 0.008。

⚠ MAPS 以 FA-Bench 的 Buckeye 測試集 8 位說話者中的 7 位訓練，因此它的 Buckeye 測試音訊大多來自它訓練時見過的說話者。

⚠ NeuFA 以 FA-Bench 的 Buckeye 測試集 8 位說話者中的 7 位訓練，因此它的 Buckeye 測試音訊大多來自它訓練時見過的說話者。

FALCON 不列入此榜單，因為它會取得參考音素，而這裡的其他對齊器都不會取得。其平均 F1 為 0.560。「文字稿」切換開關會顯示將 Qwen3-ASR 辨識出的詞（而非參考文字稿）交給各對齊器後的結果。這些詞在乾淨音訊上的 WER，於 TIMIT 核心測試集為 2.0%，於 Buckeye 測試集為 10.2%。NeuFA 未以辨識詞執行。MFA 3.4 使用 Parakeet-TDT 的詞，得分為 0.429。

NeuFA 為 trained with its open-source code on GitHub, not released。 Olewave Olign v1 為 olign-1.0, Olign API v1。

Olign 已不再參加 FA-Bench。它最後的結果（2026 年 10 月）以未排名方式列在表格底部。

下載 CSV.

以辨識詞進行強制對齊，20 ms 詞時間戳記 F1

排名	範圍	系統	存取方式	平均 F1	95% 區間	F1 下降	TIMIT 乾淨	TIMIT 雜訊	Buckeye 乾淨	Buckeye 雜訊	MAE TIMIT	MAE Buckeye	價格，每音訊小時 $
1	1	MFA 3.4	開源	0.628	0.619–0.637	0.030	0.677	0.642	0.649	0.545	21.8	22.7	–
2	2	PocketSphinx	開源	0.615	0.605–0.624	0.033	0.632	0.585	0.669	0.573	30.6	22.6	–
3	3	Charsiu	開源	0.539	0.529–0.550	0.024	0.587	0.522	0.586	0.463	28.2	26.1	–
4	4	MAPS ⚠	開源	0.523	0.514–0.532	0.024	0.702	0.407	0.595	0.387	25.5	39.8	–
5	5	CrisperWhisper ⚠	開源	0.456	0.443–0.468	0.017	0.485	0.472	0.464	0.403	33.8	39.2	–
6	6	Meta UnitY2	開源	0.417	0.406–0.428	0.022	0.375	0.385	0.461	0.447	52.4	39.8	–
7	7	Qwen3-FA	開源	0.389	0.377–0.399	0.013	0.408	0.383	0.405	0.358	32.6	30.6	–
8	8	Meta MMS-FA	開源	0.331	0.324–0.337	0.014	0.349	0.346	0.323	0.305	31.1	34.3	–
9	9	ElevenLabs-FA	商用	0.280	0.274–0.287	0.015	0.295	0.293	0.271	0.261	31.9	34.0	$0.22
10	10–11	BFA	開源	0.263	0.255–0.271	0.009	0.272	0.251	0.283	0.247	51.0	48.6	–
11	10–12	WhisperX	開源	0.257	0.250–0.263	0.014	0.276	0.263	0.259	0.230	37.3	39.7	–
12	11–12	TorchAudio	開源	0.252	0.245–0.260	0.013	0.269	0.252	0.254	0.234	39.9	39.8	–
13	13	stable-ts	開源	0.236	0.228–0.244	0.015	0.193	0.204	0.278	0.270	97.8	70.8	–
14	14	NVIDIA NeMo-FA †	開源	0.147	0.140–0.154	0.008	0.154	0.154	0.139	0.140	79.3	88.8	–
–	–	Olewave Olign 0.9	商用	0.704	0.694–0.712	0.031	0.791	0.697	0.703	0.623	18.3	20.8	–

F1 降幅是指將 Qwen3-ASR 辨識出的詞（而非參考文字稿）交給對齊器時，其平均 F1 下降的幅度。例如，MFA 3.4 使用參考文字稿的得分為 0.658，使用辨識詞的得分為 0.628，F1 降幅為 0.030。

⚠ MAPS 以 FA-Bench 的 Buckeye 測試集 8 位說話者中的 7 位訓練，因此它的 Buckeye 測試音訊大多來自它訓練時見過的說話者。

⚠ CrisperWhisper 的作者使用 TIMIT 建立其詞時間戳記功能，但未說明使用了哪些 TIMIT 檔案。FA-Bench 使用 TIMIT 的測試檔案進行測試，因此若作者也用過這些檔案，它在 TIMIT 上的分數就來自它已經見過的音訊。

† 此處的 NeMo-FA 為其 80 ms 模型。40 ms 模型的平均 F1 為 0.189。

Qwen3-ASR 的詞在乾淨音訊上的 WER，於 TIMIT 核心測試集為 2.0%，於 Buckeye 測試集為 10.2%。NeuFA 未以辨識詞執行。Olign v1 未以辨識詞執行，因此此處未排名的 Olign 列為 Olign 0.9。

ElevenLabs-FA 為 forced-alignment, API v1。 Olewave Olign 0.9 為 olign-0.9。

Olign 已不再參加 FA-Bench。它最後的結果（2026 年 10 月）以未排名方式列在表格底部。

下載 CSV.

以辨識詞進行強制對齊，20 ms 音素邊界 F1

排名	範圍	系統	存取方式	平均 F1	95% 區間	F1 下降	TIMIT 乾淨	TIMIT 雜訊	Buckeye 乾淨	Buckeye 雜訊	PER TIMIT	PER Buckeye	價格，每音訊小時 $
1	1	MFA 3.4	開源	0.428	0.423–0.434	0.008	0.394	0.372	0.502	0.446	34.8	28.2	–
2	2	PocketSphinx	開源	0.395	0.389–0.401	0.007	0.337	0.325	0.482	0.436	34.0	27.2	–
3	3	MAPS ⚠	開源	0.378	0.372–0.384	0.005	0.455	0.319	0.435	0.303	30.7	35.8	–
4	4	Charsiu	開源	0.369	0.363–0.375	0.003	0.361	0.347	0.417	0.352	30.3	32.7	–
5	5	TorchAudio	開源	0.230	0.226–0.235	0.005	0.207	0.205	0.260	0.250	35.9	30.0	–
6	6	BFA	開源	0.213	0.208–0.217	0.004	0.183	0.177	0.253	0.238	36.2	33.6	–
–	–	Olewave Olign 0.9	商用	0.447	0.440–0.453	0.005	0.410	0.393	0.513	0.470	35.4	29.2	–

F1 降幅是指將 Qwen3-ASR 辨識出的詞（而非參考文字稿）交給對齊器時，其平均 F1 下降的幅度。例如，MFA 3.4 使用參考文字稿的得分為 0.436，使用辨識詞的得分為 0.428，F1 降幅為 0.008。

⚠ MAPS 以 FA-Bench 的 Buckeye 測試集 8 位說話者中的 7 位訓練，因此它的 Buckeye 測試音訊大多來自它訓練時見過的說話者。

Qwen3-ASR 的詞在乾淨音訊上的 WER，於 TIMIT 核心測試集為 2.0%，於 Buckeye 測試集為 10.2%。NeuFA 未以辨識詞執行。Olign v1 未以辨識詞執行，因此此處未排名的 Olign 列為 Olign 0.9。

Olewave Olign 0.9 為 olign-0.9。

Olign 已不再參加 FA-Bench。它最後的結果（2026 年 10 月）以未排名方式列在表格底部。

下載 CSV.