सर्वश्रेष्ठ स्पीच-टू-टेक्स्ट मॉडल एक दूसरे के पूरक (इंटरचेंजेबल) नहीं हैं। एक मॉडल जो उत्कृष्ट ऑफ़लाइन ट्रांसक्रिप्ट तैयार करता है, वह धीमे आंशिक परिणामों (slow partials), अस्थिर संशोधनों या विलंबित एंडपॉइंटिंग के कारण वॉयस एजेंट की कार्यप्रणाली को प्रभावित कर सकता है। इसके विपरीत, एक तेज़ स्ट्रीमिंग मॉडल सही परिचालन विकल्प हो सकता है, भले ही एक बड़ा बैच मॉडल साफ-सुथरे ऑडियो की सटीकता पर बेहतर प्रदर्शन करता हो।

यह उत्पादन-केंद्रित तुलना 2026 में छह प्रमुख स्पीच-टू-टेक्स्ट मॉडलों को कवर करती है। उन्हें मूल्यांकन के उद्देश्य से क्रमित किया गया है, न कि सार्वभौमिक विजेताओं के रूप में रैंक किया गया है: Smallest AI Pulse, Deepgram Nova-3, AssemblyAI Universal-3.5 Pro, OpenAI ट्रांसक्रिप्शन मॉडल, ElevenLabs Scribe v2, और Cartesia Ink-2। किसी भी टीम के लिए सबसे अच्छे STT मॉडल ऑडियो की स्थिति, बातचीत की शैली, भाषाओं, बुनियादी ढांचे (इंफ्रास्ट्रक्चर), समवर्तीता (concurrency) और स्वीकार्य लागत पर निर्भर करते हैं।

उत्पादन तुलना मैट्रिक्स

बेंचमार्क अनुशासन: प्रकाशित WER आंकड़े तब तक सीधे तुलनीय नहीं हैं जब तक कि डेटासेट, सामान्यीकरण, ऑडियो प्रीप्रोसेसिंग, मॉडल संस्करण, प्रॉम्प्टिंग और स्कोरिंग कोड समान न हों। प्रकाशित बेंचमार्क का उपयोग दिशात्मक साक्ष्य के रूप में करें, फिर निर्णय लेने से पहले उसी प्रतिनिधि उत्पादन ऑडियो पर प्रत्येक मॉडल को सत्यापित करें।

1. लेटेंसी-संवेदनशील वॉयस एजेंटों के लिए Smallest AI Pulse

पल्स उस सूची में होना चाहिए जब कुछ मिनटों बाद एक परिष्कृत दस्तावेज़ तैयार करने की तुलना में संवादात्मक बारी-बारी से बात करना अधिक महत्वपूर्ण हो। उत्पादन का सवाल केवल यह नहीं है कि अनुमान कितनी तेजी से चलता है। डेवलपर्स को पहले उपयोगी आंशिक परिणाम का समय, आंशिक संशोधन आवृत्ति, एंडपॉइंट डिटेक्शन विलंब और प्रतिबद्ध ट्रांसक्रिप्ट के समय को रिकॉर्ड करना चाहिए। यही पूर्ण अनुक्रम यह निर्धारित करता है कि क्या कोई रीयल-टाइम एजेंट वास्तव में उत्तरदायी महसूस करता है।

पल्स को फोन ऑटोमेशन के लिए प्रतिबद्ध करने से पहले पैकेट जिटर, कोडेक ट्रांसकोडिंग, रुकावटों और 8 kHz ऑडियो के साथ परीक्षण करें। उत्पादन चेकलिस्ट में स्ट्रीमिंग स्पीच-टू-टेक्स्ट रीकनेक्ट, डुप्लिकेट सेगमेंट और छूटे हुए ऑडियो को कवर करता है।

पल्स तब भी मूल्यांकन के योग्य है जब STT एक ही वॉयस स्टैक में TTS और एजेंट ऑर्केस्ट्रेशन के साथ स्थित होता है। यह समर्थन सीमाओं को सरल बना सकता है, लेकिन केवल एकीकरण से सटीकता सिद्ध नहीं होती है। वर्तमान मॉडल कार्ड का उपयोग करके पल्स और पल्स प्रो की तुलना करें, फिर साफ माइक्रोफ़ोन, उच्चारण वाली आवाज़, पृष्ठभूमि के शोर और टेलीफ़ोनी के लिए अलग से परीक्षण सूट चलाएं। केवल एक डेमो-कॉल अनुमान के बजाय अपेक्षित ऑडियो मिनटों, मौन संचालन (silence handling) और चरम समवर्तीता के विरुद्ध Smallest.ai के मॉडल मूल्य निर्धारण की समीक्षा करें।

2. टेलीफोनी और कॉन्फ़िगर करने योग्य स्ट्रीमिंग के लिए Deepgram Nova-3

डीपग्राम के पास एक परिपक्व स्ट्रीमिंग इंटरफ़ेस है और यह संपर्क-केंद्र इंजीनियरिंग (contact-center engineering) के लिए अत्यधिक उपयुक्त है। इसका व्यावहारिक लाभ नियंत्रण है: मॉडल चयन, एंडपॉइंटिंग पैरामीटर, अंतरिम परिणाम, मल्टीचैनल हैंडलिंग, डायराइजेशन विकल्प और शब्दावली सुविधाओं को कॉल वर्कफ़्लो के अनुसार तैयार किया जा सकता है। प्रत्येक अतिरिक्त स्विच परीक्षण मैट्रिक्स को भी बढ़ाता है।

डीपग्राम विशेष रूप से तब व्यावहारिक होता है जब:

• ऑडियो 8 kHz mu-law या अन्य फोन कोडेक्स के रूप में आता है और इसे स्ट्रीमिंग में ही रहना चाहिए।

• एप्लिकेशन को बारी समाप्त होने के व्यवहार (end-of-turn behavior) पर स्पष्ट नियंत्रण की आवश्यकता होती है।

• संपर्क-केंद्र शब्दावली के लिए प्रमुख शब्दों, स्वरूपण (formatting) या चैनल पृथक्करण की आवश्यकता होती है।

• टीमों को पर्याप्त समवर्ती-सत्र मात्रा में स्थापित API संचालन की आवश्यकता होती है।

माइक्रोफ़ोन WER नंबरों को टेलीफ़ोन कॉल मूल्यांकन में शामिल न करें। नैरोबैंड ऑडियो उच्च-आवृत्ति संकेतों को हटा देता है, जबकि होल्ड संगीत, स्पीकरफ़ोन प्रतिध्वनि (echo) और कैरियर ट्रांसकोडिंग पूरी तरह से एक अलग त्रुटि प्रोफ़ाइल पेश करते हैं। समान कॉल सेट पर विक्रेताओं की तुलना करें और लघु स्वीकृतियों, नामों, संख्याओं और नकारात्मकताओं के लोप का निरीक्षण करें। प्रकाशित वास्तविक दुनिया के STT लेटेंसी बेंचमार्क उपयोगी पद्धति संदर्भ हैं, लेकिन निष्कर्ष निकालने से पहले उन्हें अपने क्षेत्र से दोबारा सत्यापित करें।

3. बैठकों और ट्रांसक्रिप्ट वर्कफ़्लो के लिए AssemblyAI Universal-3.5 Pro

बैठक और मीडिया उत्पादों को अक्सर केवल शब्दों की पहचान से अधिक की आवश्यकता होती है। स्पीकर लेबल, टाइमस्टैम्प, स्वरूपण, एसिंक्रोनस प्रोसेसिंग और डाउनस्ट्रीम ट्रांसक्रिप्ट इंटेलिजेंस पहले-आंशिक लेटेंसी से मिलीसेकंड कम करने की तुलना में अधिक मूल्य प्रदान कर सकते हैं। AssemblyAI उस व्यापक ट्रांसक्रिप्ट वर्कफ़्लो में सबसे मजबूत है।

मूल्यांकन के दौरान इसके स्ट्रीमिंग और एसिंक्रोनस मॉडल को अलग-अलग प्रणालियों के रूप में मानें। बैच ट्रांसक्रिप्शन भविष्य के संदर्भ का लाभ उठा सकता है; स्ट्रीमिंग अनुमान को शेष वाक्य सुने बिना ही परिकल्पना उत्सर्जित करनी चाहिए। WER से अलग डायराइजेशन त्रुटि को मापें, क्योंकि एक ट्रांसक्रिप्ट में गलत वक्ता के तहत सही शब्द हो सकते हैं। बैठक के ऑडियो के लिए, समर्थित शब्दावली नियंत्रणों के माध्यम से जोड़े गए अतिव्यापी भाषण, दूर के माइक्रोफ़ोन, कमरे की गूँज और प्रतिभागियों के नामों का परीक्षण करें।

AssemblyAI लाइव कैप्शन और मीटिंग प्लेटफ़ॉर्म के लिए एक समझदारी भरा विकल्प है, विशेष रूप से जहाँ संवर्धन बैकएंड काम को कम करता है। एक वॉयस एजेंट के लिए, इसके सामान्य स्ट्रीमिंग प्रदर्शन को बारी-बारी से बात करने के प्रदर्शन के समकक्ष मानने से पहले अंतिम रूप देने में होने वाले विलंब और एंडपॉइंट नियंत्रणों की बारीकी से जांच करें।

4. बैच और रीयल-टाइम ट्रांसक्रिप्शन के लिए OpenAI मॉडल

OpenAI दो अलग-अलग परिनियोजन श्रेणियों में फैला हुआ है: होस्ट किए गए ट्रांसक्रिप्शन मॉडल और ओपन-सोर्स Whisper चेकपॉइंट जिन्हें टीमें खुद संचालित करती हैं। दोनों को एक ही लेबल में समेटने से अनुमान लेटेंसी, हार्डवेयर आवश्यकताओं, बैचिंग व्यवहार, स्ट्रीमिंग समर्थन, गोपनीयता स्थिति और लागत में बड़े अंतर छिप जाते हैं।

होस्टेड OpenAI ट्रांसक्रिप्शन बहुभाषी बैच ऑडियो और इसके API पारिस्थितिकी तंत्र में पहले से एकीकृत टीमों के लिए आकर्षक है। Whisper एक व्यावहारिक स्व-होस्टेड आधार रेखा बनी हुई है जहाँ डेटा नियंत्रण परिचालन सादगी से अधिक महत्वपूर्ण है। यह मूल रूप से कोई स्ट्रीमिंग मॉडल नहीं है। WebSocket के पीछे इसे खंडों में विभाजित करने से छद्म-स्ट्रीमिंग (pseudo-streaming) उत्पन्न होती है, जिसमें शुद्धता और सीमा विरूपण विंडो के आकार और ओवरलैप द्वारा निर्धारित होते हैं।

Northflank की 2026 की समीक्षा में Open ASR लीडरबोर्ड पर Canary Qwen 2.5B का औसत WER 5.63% बताया गया था। स्वतंत्र रूप से रिपोर्ट किया गया यह परिणाम Canary को स्व-होस्टेड अंग्रेजी मूल्यांकन के लिए प्रासंगिक बनाता है, लेकिन इसकी तुलना सीधे विभिन्न कॉर्पस से विक्रेता WER के साथ नहीं की जा सकती है।

बहुभाषी अनुप्रयोगों के लिए, प्रति-भाषा और मिश्रित-भाषा परीक्षण सेट बनाएं। औसत बहुभाषी स्कोर कमजोर स्थानीय भाषाओं को छुपाते हैं। कोड-स्विचिंग परीक्षणों में वाक्य के बीच में भाषा में बदलाव, दूसरी भाषा के संज्ञा शब्द और अलग सामान्यीकरण नियमों की आवश्यकता वाली लिपियां शामिल होनी चाहिए।

5. बहुभाषी रीयल-टाइम अनुभवों के लिए ElevenLabs Scribe v2 Realtime

Scribe उन डेवलपर्स के लिए प्रासंगिक है जो जेनरेट किए गए भाषण, कैप्शन या बहुभाषी मीडिया के साथ पहचान का संयोजन कर रहे हैं। ElevenLabs ने Scribe v2 Realtime के लिए 150 ms से कम की लेटेंसी को बढ़ावा दिया है। इसे तब तक विक्रेता-रिपोर्टेड मीट्रिक के रूप में मानें जब तक कि माप सीमा को लक्षित ऑडियो पर दोबारा न जांचा जाए। यह एक स्थिर आंशिक या अंतिम रूप से दी गई अभिव्यक्ति के बजाय पहले टोकन के आगमन का प्रतिनिधित्व कर सकता है।

उत्पादन परीक्षण को स्वतंत्र रूप से उच्चारण समूहों को स्कोर करना चाहिए और इसमें कोड-स्विचिंग, क्रॉस्टॉक, संगीत और नाम शामिल होने चाहिए। निरीक्षण करें कि आंशिक शब्द कितनी तेजी से बदलते हैं; एक कैप्शन प्रणाली संशोधनों को उस एजेंट की तुलना में अलग तरीके से सहन करती है जो आंशिक पाठ को LLM में भेजता है। यह मानने के बजाय कि व्यापक ElevenLabs प्लेटफ़ॉर्म Scribe पर लागू होता है, वर्तमान में खरीदे गए प्लान में डायराइजेशन, शब्दावली नियंत्रण, टेलीफोनी समर्थन, प्रतिधारण नीतियां, क्षेत्र और समवर्ती सीमाएं सत्यापित करें।

6. संवादात्मक स्ट्रीमिंग के लिए Cartesia Ink-2

Cartesia Ink इस समूह का विशेषज्ञ उम्मीदवार है। सीधे रीयल-टाइम इंटरैक्शन को लक्षित करते हुए, यह उन वातावरणों में परीक्षण के योग्य है जहां वॉयस लूप के प्रत्येक चरण में एक सख्त लेटेंसी बजट होता है। इसका मतलब है क्लाइंट पर ऑडियो कैप्चर से मापना, न कि उस क्षण से जब सर्वर अनुरोध मॉडल तक पहुंचता है।

Ink की उत्पादन उपयुक्तता केवल एक तेज़ माध्यिका (fast median) से अधिक पर निर्भर करती है। डिस्कनेक्ट आवृत्ति, रिकवरी सिमेंटिक्स, ट्रांसक्रिप्ट दोहराव और अंतिम रूप देने में होने वाले विलंब के साथ-साथ चरम समवर्तीता के तहत p50, p95, and p99 आंशिक लेटेंसी को कैप्चर करें। एक नई सेवा बेंचमार्क में अच्छा प्रदर्शन कर सकती है, जबकि कोटा, क्षेत्रीय क्षमता, कस्टम शब्दावली, डायराइजेशन और भाषा कवरेज के आसपास खरीदार की ओर से अधिक सत्यापन की आवश्यकता होती है।

संवादात्मक प्रणालियों के लिए, समान एंडपॉइंटिंग नीति का उपयोग करके Ink की तुलना Pulse, Deepgram, और Scribe से करें। उस बाधा के बिना, एक परीक्षण मॉडल की गति के बजाय विभिन्न मौन सीमाओं (silence thresholds) को मापता है। एक व्यावहारिक वॉयस लेटेंसी बजट STT के साथ वॉयस असिस्टेंट डिजाइन करने में रेखांकित किया गया है।

उत्पादन का निर्णय: कार्यभार के अनुसार चुनें

कार्यभार की बाधाओं से एक STT मॉडल का चयन करें, फिर प्रतिनिधि ऑडियो के साथ इसे सत्यापित करें।

कार्रवाई योग्य संक्षिप्त सूची:

• रीयल-टाइम वॉयस एजेंट: Smallest AI Pulse, Deepgram Flux, Cartesia Ink-2, और ElevenLabs Scribe v2 Realtime से शुरुआत करें। एंडपॉइंट स्थिरता और अंतिम ट्रांसक्रिप्ट लेटेंसी को प्राथमिकता दें।

• फोन कॉल और संपर्क केंद्र: Deepgram और Pulse से शुरुआत करें, फिर 8 kHz कोडेक्स, क्रॉस्टॉक, नाम, संख्या और अत्यधिक नकारात्मकता वाले बयानों का परीक्षण करें।

• लाइव कैप्शन: आंशिक स्थिरता, विराम चिह्न, विलंब और पहुंच संबंधी आवश्यकताओं के लिए AssemblyAI, ElevenLabs और Deepgram की तुलना करें।

• बैठकें: जब डायराइजेशन, टाइमस्टैम्प और ओवरलैपिंग भाषण टर्न लेटेंसी से अधिक महत्वपूर्ण हों, तो AssemblyAI या एक सक्षम बैच पाइपलाइन का समर्थन करें।

• बैच ट्रांसक्रिप्शन: पूर्ण-फ़ाइल WER और थ्रूपुट पर OpenAI के होस्टेड मॉडल, स्व-होस्टेड Whisper या Canary, और एसिंक्रोनस वाणिज्यिक APIs की तुलना करें।

• बहुभाषी उत्पाद: OpenAI और ElevenLabs को शॉर्टलिस्ट करें, फिर क्षेत्रीय विशेषज्ञों को जोड़ें यदि प्रति-भाषा परीक्षण कमियां उजागर करते हैं।

• स्व-होस्टेड वातावरण: स्वामित्व वाले हार्डवेयर पर Whisper और Canary वेरिएंट को बेंचमार्क करें। लागत में GPU उपयोग, कतार विलंब (queue delay), ऑटोस्केलिंग, अवलोकन क्षमता (observability) और इंजीनियरिंग श्रम शामिल करें।

एक कठोर उत्पादन मूल्यांकन के लिए एक स्थिर ऑडियो सेट, एक सामान्यीकरण स्क्रिप्ट, समान स्कोरिंग और भाषा, उच्चारण, उपकरण, शोर और चैनल के लिए अलग-अलग हिस्सों की आवश्यकता होती है। आंशिक ट्रांसक्रिप्ट लेटेंसी, अंतिम ट्रांसक्रिप्ट लेटेंसी, एंडपॉइंट फॉल्स कट्स, रीयल-टाइम फैक्टर, त्रुटि दर, अपटाइम और प्रति सफल कार्यभार लागत को मापें। लोड परीक्षणों में प्रत्येक उम्मीदवार के लिए स्ट्रीम अवधि और समवर्तीता को स्थिर रखना चाहिए।

सबसे अच्छे स्पीच-टू-टेक्स्ट मॉडल वे हैं जो किसी विशिष्ट एप्लिकेशन की गुणवत्ता और लेटेंसी बजट को पूरा करते हैं और चरम लोड पर चालू रहते हैं। माइग्रेशन से पहले एक शैडो परिनियोजन (shadow deployment) चलाएं, जहां नीति अनुमति दे वहां कच्चे ऑडियो को सुरक्षित रखें, और केवल WER के बजाय व्यावसायिक प्रभाव के आधार पर त्रुटियों की समीक्षा करें।