Наконец-то бенмарк на работу голосовых распознавалок в реальном времени от Artificial Analysis! Смотрят на три вещи, которые реально решают в продакшене: качество / задержка / цена В итоге меряют два продуктово разных режима. First Final – надежный финальный transcript после конца речи. First Partial – почти мгновенная реакция: yes/no, быстрый routing. То есть промежуточный результат распознавания. И всё это близко к реальному проду и с теми же датасетами. Итого на текущий момент на английском такие лидеры: Точность – Final Cartesia Ink-2 (semantic endpoints) – 3.59% WER / 0.21s / ≈$4 за 1k мин ElevenLabs Scribe v2 Realtime – 3.64% WER / 0.14s / $6.50 за 1k мин Cartesia Ink-2 (external endpoints) – 3.66% WER / 0.09s / ≈$4 за 1k мин Точность – First Partial ElevenLabs Scribe v2 Realtime – 3.65% WER / 0.13s / $6.50 за 1k мин Cartesia Ink-2 (external) – 4.33% WER / 0.07s / ≈$4 за 1k мин AssemblyAI U3 Realtime Pro – 4.46% WER / 0.47s / ≈$7.50 за 1k мин Скорость Deepgram Flux – самый быстрый и на Final, и на First Partial: 0.020s / 0.019s / 7.36% WER / ≈$6.5–7.7 за 1k мин. Но это как раз пример, почему нельзя смотреть только на latency: 20 мс выглядят нереально, а WER почти вдвое выше лидеров. Для simple routing – ок. Для комплексных задач – такое себе. Дальше по скорости: Final – Soniox Realtime (0.06s / ≈$2) и Deepgram Nova-3 (0.06s). Partial – NVIDIA Nemotron 3 ASR 80ms (0.04s) и Soniox (0.05s / ≈$2). Whisper очень далеко от лидеров. В общем, для разных сценариев можно теперь выбирать там из 25 разных моделей под то, что вам нужно: – support / payments / healthcare → качество важнее скорости – simple routing / yes-no → задержка может быть важнее – high-volume → цена важна https://artificialanalysis.ai/speech-to-text/streaming