Seit dem 21. November 2025 umfasst der Open ASR Leaderboard über 60 offene und geschlossene Spracherkennungsmodelle von 18 Organisationen, die auf 11 verschiedenen Datensätzen evaluiert werden. Die Plattform hat sich in den vergangenen zwei Jahren zu einem etablierten Benchmark für Genauigkeit und Effizienz entwickelt, wobei kürzlich neue Spuren für mehrsprachige und langformige Transkription hinzugefügt wurden – zwei Bereiche, die traditionelle Benchmarks oft vernachlässigen. Die Analyse zeigt, dass Modelle mit Conformer-Encoder und großem Sprachmodell (LLM) als Decoder derzeit die besten Ergebnisse in der englischsprachigen Transkription erzielen, wie beispielsweise NVIDIA’s Canary-Qwen-2.5B, IBM’s Granite-Speech-3.3-8B und Microsoft’s Phi-4-Multimodal-Instruct. Diese Kombination ermöglicht durch kontextuelles Verständnis und Sprachmodellierung deutlich niedrigere Wortfehlerquoten (WER). NVIDIA hat zudem Fast Conformer eingeführt, eine um das Doppelte schnellere Variante des Conformer-Encoders, die in deren Modellreihe verwendet wird. Ein zentrales Thema ist die Geschwindigkeits-Genauigkeit-Trade-off: Während LLM-Decoder hohe Genauigkeit bieten, sind sie deutlich langsamer. Die Effizienz wird hier durch den inversen Echtzeitfaktor (RTFx) gemessen – je höher, desto besser. Für Anwendungen mit hohen Durchsatzanforderungen wie Meetings oder Podcasts zeigen CTC- und TDT-Decoder eine bis zu 100-fach höhere Geschwindigkeit, allerdings mit leicht erhöhten Fehlerraten. Hier zeigt sich ein klarer Einsatzkontext: LLM-Decoder für höchste Genauigkeit, CTC-basierte Modelle für Effizienz. Beim mehrsprachigen ASR bleibt OpenAI’s Whisper Large v3 weiterhin ein starkes Benchmark-Modell mit Unterstützung für 99 Sprachen. Doch durch gezieltes Fine-Tuning oder Verdichtung (z. B. Distil-Whisper, CrisperWhisper) erreichen abgewandelte Versionen oft bessere Ergebnisse in einzelnen Sprachen – ein Beispiel für den Kompromiss zwischen Spezialisierung und Allgemeingültigkeit. Selbst hochgradig multilinguale Systeme wie Meta’s MMS oder Omnilingual ASR, die über 1000 Sprachen unterstützen, erreichen bei Genauigkeit oft noch nicht das Niveau sprachspezifischer Encoder. Langformige Transkription stellt eine besondere Herausforderung dar: Hier dominieren weiterhin geschlossene Systeme, vermutlich aufgrund von Domain-Tuning, optimaler Chunking-Strategien und Produktionsoptimierung. Unter den Open-Source-Modellen führt weiterhin Whisper Large v3, doch bei Durchsatz übertrifft NVIDIA’s Parakeet CTC 1.1B mit einem RTFx von 2793,75 deutlich Whisper (68,56), obwohl der WER nur geringfügig höher liegt (6,68 vs. 6,43). Dies unterstreicht erneut die Notwendigkeit, zwischen Multilingualität und Spezialisierung abzuwägen. Die Community setzt mit spezialisierten Leaderboards wie dem Open Universal Arabic ASR und dem Russian ASR Leaderboard bereits konstruktiv an, um Sprachvariationen und regionale Dialekte zu berücksichtigen. Diese Initiativen fördern Datensharing, fine-tuned Checkpoints und transparente Vergleiche – besonders für Sprachen mit geringen Ressourcen. Bewertung & Ausblick: Industrieexperten sehen im Open ASR Leaderboard eine zentrale Plattform für Innovation und Transparenz. Die Einführung multilingualer und langformiger Spuren eröffnet neue Möglichkeiten für Forschung und Anwendung. Obwohl geschlossene Systeme derzeit führen, ist der offene Sektor mit schnellem Fortschritt, insbesondere in Effizienz und Spezialisierung, gut positioniert. Die Erweiterung auf mehr Sprachen und Datensätze via GitHub-Pull-Requests ist ein entscheidender Schritt für eine inklusivere, globalere ASR-Entwicklung. Die Zukunft des ASR liegt in der Balance zwischen Genauigkeit, Geschwindigkeit, Multilingualität und Anpassung an spezifische Anwendungsfälle.