Open ASR Leaderboard: 새로운 다국어 및 장문 트랙을 통한 동향과 통찰력

대부분의 벤치마크는 짧은 형식의 영어 전사(transcription) (<30초)에 초점을 맞추고 있어, (1) 다국어 성능이나 (2) 모델 처리량(throughput)과 같은 다른 중요한 작업들을 간과하는 경향이 있습니다. 이 두 가지 요소는 회의나 팟캐스트와 같은 장문 오디오에서 결정적인 요소가 될 수 있습니다.

지난 2년 동안 Open ASR Leaderboard는 정확도와 효율성 측면 모두에서 오픈소스 및 클로즈드소스 모델을 비교하는 표준이 되었습니다. 최근에는 다국어 및 장문 전사 트랙이 리더보드에 추가되었습니다 🎉

요약 (TL;DR) - Open ASR Leaderboard

• 📝 리더보드의 ASR 동향에 대한 새로운 사전 인쇄본(preprint): https://hf.co/papers/2510.06961
• 🧠 최고 정확도: Conformer encoder + LLM decoders (오픈소스가 최고! 🥳)
• ⚡ 가장 빠름: CTC / TDT decoders
• 🌍 다국어: 단일 언어 성능을 희생함
• ⌛ 장문: 현재로서는 클로즈드소스 시스템이 여전히 선두를 차지함 (😉)
• 🧑💻 파인튜닝 가이드 (Parakeet, Voxtral, Whisper): 계속해서 성능 향상을 추구할 수 있도록 지원

2025년 11월 21일 기준으로 Open ASR Leaderboard는 18개 조직의 60개 이상의 오픈 및 클로즈드소스 모델을 11개의 데이터셋에 걸쳐 비교합니다.

최근 사전 인쇄본에서 우리는 기술적 설정(technical setup)을 깊이 파고들고 현대 ASR의 몇 가지 주요 동향을 강조했습니다. 주요 시사점은 다음과 같습니다 👇

현재 영어 전사 정확도에서는 Conformer encoder와 대규모 언어 모델(LLM) 디코더를 결합한 모델들이 선두를 달리고 있습니다. 예를 들어, NVIDIA의 Canary-Qwen-2.5B, IBM의 Granite-Speech-3.3-8B, Microsoft의 Phi-4-Multimodal-Instruct가 가장 낮은 단어 오류율(Word Error Rate, WER)을 기록하며, LLM 추론을 통합하는 것이 ASR 정확도를 크게 향상시킬 수 있음을 보여줍니다.

💡 전문가 팁: NVIDIA는 Conformer의 2배 빠른 변형인 Fast Conformer를 도입했으며, 이는 Canary 및 Parakeet 모델 제품군에 사용됩니다.

이러한 LLM 디코더들은 정확도가 매우 높음에도 불구하고, 단순한 접근 방식보다 느린 경향이 있습니다. Open ASR Leaderboard에서는 효율성을 역실시간 계수(inverse real-time factor, RTFx)를 사용하여 측정하며, 이 값이 높을수록 좋습니다.

훨씬 더 빠른 추론 속도를 위해 CTC와 TDT 디코더는 오류율이 약간 더 높다는 단점이 있지만, 10~100배 더 빠른 처리량을 제공합니다. 이로 인해 회의, 강의 또는 팟캐스트와 같은 실시간, 오프라인 또는 배치 전사 작업에 이상적입니다.

OpenAI의 Whisper Large v3는 99개 언어를 지원하는 강력한 다국어 기준선(baseline)으로 남아 있습니다. 하지만 Distil-Whisper나 CrisperWhisper와 같이 파인튜닝되거나 증류된(distilled) 변형 모델들은 영어 전용 작업에서 종종 원본보다 더 나은 성능을 보여주며, 표적화된 파인튜닝이 전문성을 어떻게 향상시킬 수 있는지 보여줍니다.