每个主要的 AI 实验室现在都已经发布了一个用于 ASR 的开源大型语音模型，为生产选择合适的模型已成为一个真正需要做出的决策。这次评测将重量级选手并肩比较：OpenAI 的 Whisper、Google 的 USM 相关发布、Meta 的 MMS 和 wav2vec 2.0 系列，以及 Nvidia 的 NeMo 家族（Conformer、Parakeet、Canary）。目标是在实际上重要的各个维度进行诚实的比较，以供发货语音产品的团队参考——在真实音频上的准确度、语言支持范围、延迟、许可、微调的易用性，以及每个堆栈周围的社区规模。

与其背诵排行榜成绩，这个片段关注于每个模型在哪里表现出优势以及在哪里悄然表现不足：长格式转录、代码切换、领域自适应、流式传输，以及在规模上运行它们的实际成本。它还标记了端到端 Transformer 解码器和 CTC 风格架构之间的权衡，当你需要时间戳或热词偏置时。如果你正在为内部管道评估一个开源 ASR 基础模型，这个综述是一个坚实的起点，然后你再花费 GPU 时间来自己对所有这些模型进行基准测试。