مقایسه مدلها
مقایسهٔ مدلهای تبدیل گفتار به متن
دقت (نرخ خطای کلمه)، سرعت و قیمت مدلهای تبدیل صدا به متن، از سنجش Artificial Analysis.
مدلهای تبدیل گفتار به متن
۶۴ مدل و ارائهدهنده · بهروزرسانی هوش یاب: ۲۱ آبان ۱۴۰۵
رتبه بر اساس نرخ خطای کلمه است: از هر ۱۰۰ کلمهٔ گفتهشده، چند کلمه اشتباه نوشته شده (هرچه کمتر، بهتر). سرعت یعنی هر ثانیه چند ثانیه صدا را متن میکند. این سنجش با صدای انگلیسی انجام میشود و دربارهٔ دقت فارسی چیزی نمیگوید؛ پشتیبانی فارسی هر مدل را در صفحهٔ ابزارهایش ببینید. یک مدل ممکن است با چند ارائهدهنده آمده باشد. منبع: Artificial Analysis
| رتبه | مدل | نرخ خطای کلمه | سرعت | قیمت هر ۱۰۰۰ دقیقه | در هوش یاب |
|---|---|---|---|---|---|
| ۱ | Fun-Realtime-ASR-previewمعرفی Alibaba Cloud | ۱٫۷٪ | ۲۱ برابر | $۲٫۸۲ | — |
| ۲ | Scribe v3, ElevenLabsمعرفی ElevenLabs | ۱٫۹٪ | ۷۰ برابر | $۳٫۳۳ | |
| ۳ | MAI-Transcribe-2معرفی Microsoft AI | ۲٪ | ۳۱۲ برابر | $۱٫۶۷ | |
| ۴ | Voxtral Small Transcribe 3معرفی Mistral | ۲٫۱٪ | ۶۵ برابر | $۴ | |
| ۵ | Voxtral Mini Transcribe 3معرفی Mistral | ۲٫۲٪ | ۷۷ برابر | $۳٫۵ | |
| ۶ | Scribe v2معرفی ElevenLabs | ۲٫۲٪ | ۷۴ برابر | $۳٫۶۷ | |
| ۷ | Grok Voice Transcribe 2.0معرفی SpaceXAI | ۲٫۳٪ | ۱۹۶ برابر | $۱٫۶۷ | |
| ۸ | MAI-Transcribe-1.5معرفی Microsoft AI | ۲٫۴٪ | ۷۸ برابر | $۶ | |
| ۹ | StepAudio 3 ASR, StepFunمعرفی StepFun | ۲٫۵٪ | ۶۴ برابر | $۶٫۶۷ | — |
| ۱۰ | Gemini 3.5 Transcribeمعرفی Google | ۲٫۶٪ | ۹۴ برابر | $۵ | |
| ۱۱ | Zoom Scribe V2 Proمعرفی Zoom | ۲٫۸٪ | ۱۲۶ برابر | $۵٫۸۳ | — |
| ۱۲ | Voxtral Smallمعرفی Mistral | ۲٫۸٪ | ۶۰ برابر | $۴ | |
| ۱۳ | Gemini 3.1 Pro Preview (High)معرفی Google | ۲٫۸٪ | ۷ برابر | $۱۸٫۱۵ | |
| ۱۴ | Gemini 3 Flash (High)معرفی Google | ۲٫۹٪ | ۲۴ برابر | $۴٫۱۷ | |
| ۱۵ | Gemini 2.5 Proمعرفی Google | ۲٫۹٪ | ۱۲ برابر | $۸٫۶۹ | |
| ۱۶ | Universal-3.5 Proمعرفی AssemblyAI | ۳٪ | ۱۰۱ برابر | $۳٫۵ | |
| ۱۷ | Soniox v6 Asyncمعرفی Soniox | ۳٪ | ۸۱ برابر | $۱٫۶۶ | — |
| ۱۸ | Universal-3 Proمعرفی AssemblyAI | ۳٫۱٪ | ۱۰۵ برابر | $۳٫۵ | — |
| ۱۹ | Solaria-3, Gladiaمعرفی Gladia | ۳٫۲٪ | ۹۰ برابر | $۲٫۹۸ | — |
| ۲۰ | Smallest AI Pulseمعرفی Smallest.ai | ۳٫۳٪ | ۲۳۰ برابر | $۳ | — |
نمایش ۴۴ مدل دیگر
| رتبه | مدل | نرخ خطای کلمه | سرعت | قیمت هر ۱۰۰۰ دقیقه | در هوش یاب |
|---|---|---|---|---|---|
| ۲۱ | GPT Transcribe, OpenAIمعرفی OpenAI | ۳٫۳٪ | ۴۱ برابر | $۴٫۵ | |
| ۲۲ | Resonant-1معرفی Reson8 | ۳٫۴٪ | ۳۵۶ برابر | $۲۲٫۳۳ | — |
| ۲۳ | Smallest AI Pulse Proمعرفی Smallest.ai | ۳٫۴٪ | ۲۹۴ برابر | $۴ | — |
| ۲۴ | Gemini 3.1 Flash-Lite Preview (Minimal)معرفی Google | ۳٫۴٪ | ۸۹ برابر | $۱٫۱ | |
| ۲۵ | Nemotron 3.5 Transcribeمعرفی DeepInfra | ۳٫۴٪ | ۶۴ برابر | $۲ | |
| ۲۶ | Qwen3.5 Omni Plusمعرفی Alibaba Cloud | ۳٫۵٪ | ۱۵۱ برابر | — | — |
| ۲۷ | Voxtral Mini Transcribe 2معرفی Mistral | ۳٫۶٪ | ۸۶ برابر | $۳ | — |
| ۲۸ | Gemini 3.1 Pro Preview (Low)معرفی Google | ۳٫۶٪ | ۸ برابر | $۷٫۷۲ | |
| ۲۹ | Universal, AssemblyAIمعرفی AssemblyAI | ۳٫۸٪ | ۱۰۶ برابر | $۲٫۵ | — |
| ۳۰ | Voxtral Miniمعرفی DeepInfra | ۳٫۸٪ | ۵۱ برابر | $۱ | |
| ۳۱ | Soniox v5 Asyncمعرفی Soniox | ۳٫۸٪ | ۴۶ برابر | $۱٫۶۶ | — |
| ۳۲ | Inworld STT 1معرفی Inworld | ۳٫۹٪ | ۷۴ برابر | $۲٫۵ | — |
| ۳۳ | Speechmatics Enhancedمعرفی Speechmatics | ۴٪ | ۷۰ برابر | $۱۲٫۵ | |
| ۳۴ | GPT-4o Transcribeمعرفی OpenAI | ۴٪ | ۳۸ برابر | $۶ | |
| ۳۵ | Whisper Large v3معرفی fal.ai | ۴٫۱٪ | ۱۰۶ برابر | $۱٫۱۵ | |
| ۳۶ | Solaria-1, Gladiaمعرفی Gladia | ۴٫۱٪ | ۸۵ برابر | $۵٫۰۲ | — |
| ۳۷ | Amazon Transcribeمعرفی Amazon Bedrock | ۴٫۱٪ | ۳۹ برابر | $۶ | — |
| ۳۸ | Whisper Large v2معرفی OpenAI | ۴٫۱٪ | ۲۷ برابر | $۶ | |
| ۳۹ | Modulate STT Batch English VFastمعرفی Modulate | ۴٫۲٪ | ۴۵ برابر | $۰٫۴۲ | — |
| ۴۰ | Chirp 3, Googleمعرفی Google | ۴٫۳٪ | ۲۸ برابر | $۱۶ | |
| ۴۱ | Canary Qwen 2.5B, NVIDIAمعرفی Replicate | ۴٫۳٪ | ۸ برابر | $۰٫۷۴ | — |
| ۴۲ | Parakeet TDT 0.6B V3, Togetheraiمعرفی Together AI | ۴٫۵٪ | ۶۵۶ برابر | $۱٫۵ | |
| ۴۳ | Whisper Large v3معرفی Together AI | ۴٫۵٪ | ۲۴۲ برابر | $۱٫۵ | |
| ۴۴ | GPT-4o Mini Transcribeمعرفی OpenAI | ۴٫۵٪ | ۴۷ برابر | $۳ | |
| ۴۵ | Whisper Large v3 Turboمعرفی Groq | ۴٫۶٪ | ۳۱۶ برابر | $۰٫۶۷ | |
| ۴۶ | transcribe-03-2026معرفی Cohere | ۴٫۶٪ | ۱۲۲ برابر | — | |
| ۴۷ | Wizper Large v3معرفی fal.ai | ۴٫۷٪ | ۱۸۹ برابر | $۰٫۵ | |
| ۴۸ | StepAudio 2.5 ASR, StepFunمعرفی StepFun | ۴٫۷٪ | ۸۵ برابر | $۰٫۳۷ | — |
| ۴۹ | Nova-3, Telnyxمعرفی Telnyx | ۴٫۸٪ | ۳۲۶ برابر | $۵ | |
| ۵۰ | Speechmatics Meliaمعرفی Speechmatics | ۴٫۹٪ | ۱۷۴ برابر | $۴ | |
| ۵۱ | Nova 2 Proمعرفی Amazon Bedrock | ۴٫۹٪ | ۲۴ برابر | $۳٫۱ | — |
| ۵۲ | Nova-2, Telnyxمعرفی Telnyx | ۵٫۱٪ | ۳۲۴ برابر | $۵ | — |
| ۵۳ | Gemini 2.5 Flashمعرفی Google | ۵٫۱٪ | ۷۱ برابر | $۲٫۵۱ | |
| ۵۴ | Speechmatics Standardمعرفی Speechmatics | ۵٫۱٪ | ۶۳ برابر | $۷٫۵ | |
| ۵۵ | Nova-3معرفی Deepgram | ۵٫۲٪ | ۵۲۸ برابر | $۴٫۳ | |
| ۵۶ | Gemini 2.5 Flash Liteمعرفی Google | ۵٫۲٪ | ۸۲ برابر | $۰٫۶۷ | |
| ۵۷ | Parakeet RNNT 1.1Bمعرفی Replicate | ۵٫۴٪ | ۶ برابر | $۱٫۹۱ | — |
| ۵۸ | Whisper Large v3 Turbo, Telnyxمعرفی Telnyx | ۵٫۵٪ | ۳۶ برابر | $۱۵ | |
| ۵۹ | Rev AIمعرفی Rev AI | ۵٫۹٪ | ۱۱ برابر | $۳٫۳۳ | — |
| ۶۰ | Parakeet TDT 0.6B V2, NVIDIAمعرفی NVIDIA | ۶٫۴٪ | ۹۱ برابر | — | |
| ۶۱ | Gradium Speech-to-Textمعرفی Gradium | ۶٫۸٪ | ۲ برابر | $۱۳ | — |
| ۶۲ | Whisper Large v3معرفی Replicate | ۱۰٫۱٪ | ۳ برابر | $۴٫۲۳ | |
| ۶۳ | Qwen3.5 Omni Flashمعرفی Alibaba Cloud | ۱۳٫۵٪ | ۷۸ برابر | — | — |
| ۶۴ | Chirpمعرفی Google | ۳۱٫۲٪ | ۱۵ برابر | $۱۶ | — |