Halo Sobat Kampus! Buat kalian yang sering banget ngikutin perkembangan dunia kecerdasan buatan atau lagi sibuk garap skripsi pakai transkripsi suara, ada kabar seru nih. Dunia open speech recognition atau ASR (pengenalan suara terbuka) baru saja mengalami pergeseran besar. Selama ini, kita mungkin familier banget sama dominasi Whisper dari OpenAI sebagai satu-satunya pilihan utama. Tapi, peta kekuatan berubah drastis dalam setahun terakhir ini.

Sekarang, model-model baru dengan bobot sekitar 2B parameter bermunculan dan langsung menduduki puncak Hugging Face Open ASR Leaderboard. Model buatan Cohere yaitu Transcribe mendobrak pasar dengan tingkat word error rate (WER) yang sangat rendah, diikuti rapat oleh IBM Granite Speech 4.1 2B, ARK-ASR-3B, hingga MOSS-Transcribe-preview-2B. Selisih akurasi di papan atas leaderboard sekarang bahkan kurang dari satu poin WER! Nah, karena faktor peringkat bukan lagi satu-satunya penentu, apa aja sih yang perlu kita perhatikan? Mari kita bedah satu-satu mulai dari lisensi, dukungan bahasa, latensi, sampai biayanya.

Menepis Mitos Angka Leaderboard yang Sering Bikin Salah Paham

Sebelum kita terjun lebih jauh milih model buat proyek kuliah atau riset, kita perlu tahu satu fakta penting: angka rata-rata di Open ASR Leaderboard itu tidak sepenuhnya seragam cara pengujiannya. Sebagai contoh, skor 5.42% milik Cohere merupakan rata-rata dari delapan set data uji bahasa Inggris. Sementara itu, ARK-ASR-3B memakai tujuh set data tanpa menyertakan TED-LIUM yang dikenal relatif lebih mudah. Kalau dihitung dengan standar yang sama, angkanya bakal bergeser. Belum lagi ada model yang di-fine-tune secara khusus untuk melibas soal-soal benchmark tersebut. Jadi, jadikan leaderboard sebagai referensi untuk bikin daftar pendek (shortlist), bukan sebagai penentu tunggal pemenang mutlak.

Tier Akurasi Tinggi: Siapa Jawaranya?

Buat kalian yang butuh transkripsi super akurat untuk wawancara narasumber skripsi atau analisis data kualitatif, kelompok model ini wajib masuk radar:

  • Cohere Transcribe (2B, Apache 2.0, 14 bahasa): Model ini sudah di-download lebih dari 620.000 kali dalam sebulan terakhir. Dukungan runtime-nya lengkap mulai dari transformers, vLLM, mlx-audio untuk Apple Silicon, sampai WebGPU. Sayangnya, belum ada deteksi bahasa otomatis, tidak ada timestamps bawaan, dan model ini agak sensitif mendeteksi keheningan sehingga butuh VAD tambahan.
  • Granite Speech 4.1 2B (2B, Apache 2.0): Pilihan pas kalau kalian butuh fitur yang kaya. Mendukung enam bahasa untuk ASR plus terjemahan suara dua arah, pemfilteran keyword untuk nama atau istilah teknis (jargon), serta penandaan tanda baca yang rapi.
  • Canary-Qwen-2.5B (2.5B, CC-BY-4.0): Menggabungkan encoder FastConformer dengan decoder Qwen3-1.7B. Punya mode ganda: transkripsi murni atau mode LLM di mana decodernya bisa langsung merangkum dan menjawab pertanyaan seputar transkrip tersebut. Cocok buat ringkas materi kuliah!
  • Qwen3-ASR-1.7B (Apache 2.0): Mendukung hingga 52 bahasa dan dialek (30 bahasa utama plus 22 dialek Mandarin). Buat kalian yang berurusan dengan bahasa Mandarin atau riset linguistik regional, ini adalah titik awal paling ideal.

Tier Throughput & Kecepatan: Mana yang Paling Ngebut?

Kalau akurasi antarmodel bedanya tipis, kecepatan pemrosesan (throughput) justru beda jauh sampai belasan kali lipat. Buat server kampus atau aplikasi skala besar, faktor ini sangat menentukan anggaran server:

  • Parakeet TDT 0.6B v3 (0.6B, CC-BY-4.0): Juara throughput untuk model multibahasa dengan kemampuan memproses hingga 24 menit audio dalam satu kali jalan pada GPU A100. Biaya WER-nya hanya terpaut tipis dari model lain tapi dengan kapasitas audio belasan kali lebih banyak per detik GPU.
  • Granite Speech 4.1 2B-NAR: Versi non-autoregresif yang menyunting hipotesis CTC dalam satu kali forward pass menggunakan LLM binaraga. Kecepatannya tembus level ekstrem di satu kartu H100.
  • Qwen3-ASR-0.6B: Mempertahankan 52 bahasa dengan kecepatan throughput yang masif untuk konkurensi tinggi.

Tier Streaming & Real-Time untuk Voice Agent

Buat mahasiswa teknik informatika yang lagi bikin proyek asisten suara berbasis AI, model streaming seperti Voxtral Mini 4B Realtime 2602 dan Kyutai STT menawarkan latensi rendah. Delay-nya bisa diatur sekecil 80 milidetik hingga 1200 milidetik, bahkan Kyutai dilengkapi dengan detektor aktivitas suara (semantic VAD) yang bisa memprediksi kapan pembicara benar-benar selesai ngomong. Keren banget buat bikin prototipe chatbot suara interaktif!

Perhatikan Lisensinya Biar Nggak Kena Masalah Hukum

Nah, ini nih jebakan batman yang sering dilupakan developer pemula sebelum merilis aplikasi ke publik:

  • Apache 2.0: Cohere Transcribe, Granite Speech 4.1, Qwen3-ASR, Voxtral Mini Realtime, dan Omnilingual ASR. Bebas digunakan untuk keperluan komersial tanpa kewajiban atribusi yang ketat.
  • MIT: Whisper large-v3. Paling longgar dan ramah hukum. Ekosistem runtimenya seperti whisper.cpp juga paling matang.
  • CC-BY-4.0: Canary-Qwen, Parakeet, dan Kyutai STT. Boleh dipakai komersial, tapi kalian Wajib mencantumkan atribusi pembuatnya. Buat produk komersial atau white-label API, aturan ini butuh kepatuhan hukum ekstra.

Worth It Gak Buat Mahasiswa?

Sebagai kesimpulan untuk anak-anak kuliahan, apakah model-model open ASR di tahun 2026 ini worth it? Jawabannya: Sangat Worth It! Model berbobot 2B dengan lisensi permisif sekarang jauh melampaui kemampuan API berbayar komersial dari masa lalu secara gratis. Buat kalian yang mau bikin aplikasi transkripsi otomatis untuk catatan kuliah, analisis wawancara skripsi, atau sekadar eksperimen AI:

  • Kelebihan: Performa setara model komersial tertutup, banyak pilihan lisensi terbuka, berjalan sangat efisien di hardware lokal mumpuni atau cloud kampus.
  • Kekurangan: Beberapa model butuh setup tambahan (seperti VAD untuk Cohere) dan butuh pemahaman teknis dalam memilih model yang tepat sesuai ketersediaan GPU di lab kalian.

Tunggu apa lagi? Yuk, asah skill programming kalian, pilih model ASR yang paling pas dengan kebutuhan proyek risetmu, dan mulai bangun inovasi teknologi suara masa depan dari kampus sekarang juga!