Pengenalan suara diam-diam jadi open weight — dan muat dalam 1,56 GB

Tim Qwen milik Alibaba menaruh tiga model pengenalan suara di Hugging Face yang nyaris tidak ditulis siapa pun. Qwen3-ASR-0.6B, Qwen3-ASR-1.7B, dan satu pendamping bernama Qwen3-ForcedAligner-0.6B, semuanya di bawah lisensi Apache 2.0. Yang terkecil berukuran unduhan 1,56 GB, menangani 52 bahasa dan dialek, dan sejak 26 Juni bisa dijalankan dengan tiga baris Python standar. Anda taruh di mesin yang sudah Anda miliki, dan tidak ada yang bisa mengirimi Anda tagihan untuk itu.

Polanya sulit dilewatkan, karena kita sudah pernah menyaksikannya sekali. Model bahasa besar menghabiskan 2023 dan 2024 sebagai barang yang disewa lewat API, lalu lapisan open weight datang dan menjadi pilihan bawaan bagi siapa pun yang peduli pada biaya, privasi, atau kemampuan berjalan luring. Transkripsi kini menempuh jalan yang sama, terlambat sekitar dua tahun.

Tulisan ini adalah peta pergeseran itu bagi orang yang tidak mengikuti rilis model sebagai pekerjaan: apa itu model suara open weight, model apa saja yang ada sekarang dan di bawah lisensi apa, apa yang secara praktis diberikan "0.6B di laptop Anda", dan — bagian yang dilewatkan hampir semua liputan — di mana API tertutup yang dihosting masih unggul jelas.

TL;DR:

• Transkripsi open weight sudah bisa dipakai hari ini: Qwen3-ASR dengan Apache 2.0 dan 52 bahasa serta dialek, Whisper dengan MIT, Parakeet dan Canary dari NVIDIA dengan CC BY 4.0, Voxtral dari Mistral dengan Apache 2.0.
• Menghosting sendiri memberi privasi, operasi luring, dan kendali biaya. Di papan independen Artificial Analysis, menghosting model terbuka berbiaya 1,50 dolar per 1.000 menit, berbanding 6,00 dolar untuk MAI-Transcribe-1.5 dari Microsoft dan 18,15 dolar untuk Gemini 3.1 Pro Preview.
• Peringkat satu untuk akurasi masih dipegang endpoint pratinjau tertutup. Namun satu model terbuka berlisensi Apache 2.0, Voxtral Small, kini duduk di peringkat lima, sekitar satu poin tingkat kesalahan kata di belakangnya.

Gambar: Aaron Parecki, Wikimedia Commons, CC BY 2.0. Bentuk gelombang dan spektrogram dari kalimat "it rains a lot in Portland", dengan huruf-huruf diletakkan tepat di atas audio yang bersesuaian — inilah bahan mentah yang diolah setiap model pengenalan suara.

Apa yang sebenarnya Anda unduh ketika mengunduh model transkripsi

Model ASR — pengenalan suara otomatis, dipakai bergantian dengan STT atau ucapan ke teks — adalah program yang menerima audio dan menghasilkan teks. Itu saja tugasnya. Ia tidak memutuskan siapa yang berbicara, tidak merangkum, tidak tahu rapat Anda membahas apa. Ia mendengar kata lalu menuliskannya.

"Open weights" berarti laboratoriumnya menerbitkan berkas modelnya sendiri dalam bentuk jadi. Bobot sebuah model adalah kisi angka raksasa yang dipelajarinya saat pelatihan, dan menerbitkannya berarti Anda mengunduh berkas itu, menjalankannya di perangkat keras sendiri, dan membangun di atasnya tanpa meminta izin siapa pun atau membayar per permintaan. Alternatifnya adalah model tertutup: bobotnya tetap di server penyedia dan Anda menyewa akses lewat API — audio naik, teks kembali, dan penagihan dihitung per menit.

Angka di dalam nama adalah jumlah parameter, dan untuk model suara angka itu terasa luar biasa konkret. "0.6B" berarti sekitar 600 juta parameter, yang dalam praktiknya menjadikan Qwen3-ASR-0.6B berkas 1,56 GB dan Qwen3-ASR-1.7B berkas 4,08 GB — keduanya cukup kecil untuk duduk di SSD laptop tanpa ada yang menyadari. Bandingkan dengan model bahasa terbuka yang kami bahas di rangkuman gelombang model Tiongkok, di mana rilis utamanya berukuran 1,56 terabyte dalam 96 pecahan dan butuh klaster hanya untuk dimuat. Model suara sekitar seribu kali lebih kecil daripada model teks garis depan, dan fakta tunggal itulah yang membuat pergeseran ini terasa lebih keras di sini ketimbang di sana.

Inilah istilah yang akan kami pakai di sisa tulisan ini: kelas laptop. Yaitu kelompok model yang di dalamnya pertanyaan soal perangkat keras hilang begitu saja — di mana "sanggup tidak saya menjalankan ini?" berhenti menjadi percakapan anggaran dan berubah menjadi sekadar unduhan. Model teks kebanyakan tidak masuk. Model suara hampir semuanya masuk.

Satu baris lagi yang perlu dibaca sebelum tolok ukur apa pun: lisensinya. Apache 2.0 dan MIT ada di ujung yang longgar — pakai, ubah, masukkan ke produk komersial, tanpa berutang apa pun. CC BY 4.0 yang dipakai NVIDIA juga boleh dipakai komersial tetapi menuntut atribusi.

Qwen merilis keluarga ini pada Januari; Juni adalah saat ia menjadi mudah

Sekarang rilis yang memicu tulisan ini, dengan satu koreksi atas cara ia diceritakan. Keluarga Qwen3-ASR tidak muncul pada bulan Juni. Repositori aslinya naik pada 28 Januari 2026, dan laporan teknisnya masuk arXiv sehari kemudian. Yang terjadi pada 26 Juni adalah Qwen menerbitkan versi -hf dari ketiga model itu — checkpoint yang berjalan secara native di Hugging Face Transformers mulai versi 5.13.0.

Kedengarannya seperti catatan kaki, padahal bukan. Sebelumnya, menjalankan model berarti memasang paket buatan Qwen sendiri, qwen-asr, atau backend vLLM, lalu mempelajari rantai perkakasnya. Sesudahnya, cukup tiga baris Python standar yang sudah dikenal siapa pun yang pernah menyentuh Transformers. Penghalang yang membuat sebagian besar model terbuka tak terpakai jarang berupa modelnya sendiri. Penghalangnya adalah empat puluh menit bergulat dengan lingkungan sebelum transkrip pertama muncul, dan itulah yang dihapus tanggal 26 Juni.

Spesifikasinya diambil langsung dari kartu model. Kedua ukuran melakukan identifikasi bahasa dan pengenalan suara untuk 30 bahasa — Inggris, Mandarin, Korea, Jepang, Spanyol, Arab, Hindi, Thai, Vietnam, Polandia, dan dua puluh lainnya — ditambah 22 dialek Tionghoa, dan begitulah angka "52 bahasa dan dialek" itu tercapai. Keduanya menjalankan inferensi streaming dan luring dari satu model yang sama, sesuatu yang lebih langka daripada kedengarannya: banyak model transkripsi hanya bisa salah satu. Keduanya menerima audio panjang, dan kartunya mencantumkan nyanyian serta lagu bermusik latar sebagai jenis audio yang didukung.

Model ketiga layak diberi jeda. Qwen3-ForcedAligner-0.6B melakukan penyelarasan paksa: beri dia audio dan sebuah transkrip, lalu ia menandai di mana setiap kata dimulai dan berakhir, hingga presisi milidetik, untuk 11 bahasa dan hingga lima menit ucapan sekali jalan. Itulah mesin di balik transkrip yang bisa diklik, penentuan waktu takarir, dan lompatan ke detik ketika seseorang mengucapkan sesuatu. Persis itulah yang ditampilkan gambar di awal tulisan ini. Menerbitkan penyelaras bersama pengenalnya adalah sinyal tentang untuk siapa rilis ini dibuat: bukan orang yang menjalankan demo, melainkan orang yang membangun produk.

Soal kualitas, pilah dulu siapa mengklaim apa. Kartu milik Qwen sendiri melaporkan angka dari Hugging Face Open ASR Leaderboard bertanggal 26 Juni 2026: rata-rata tingkat kesalahan kata 5,59 % untuk model 1.7B dan 6,31 % untuk 0.6B, dengan subset audio rapat AMI di 9,26 % dan 10,57 %. Tingkat kesalahan kata adalah proporsi kata yang salah ditangkap model, jadi makin rendah makin baik, dan AMI adalah angka tersulit di antaranya karena rapat sungguhan itu berantakan. Qwen juga menyebut versi 1.7B sebagai "yang tercanggih di antara model ASR sumber terbuka" dan setara dengan API komersial — perlakukan itu sebagai klaim vendor sampai ada pihak di luar Alibaba yang mengukurnya. Perhatikan pula bahwa ini tolok ukur yang berbeda dari papan independen di bawah, dengan audio berbeda, sehingga kedua kumpulan angka tidak bisa diperbandingkan satu sama lain.

Whisper yang memulai semuanya, dan masih model yang dijalankan semua orang

Semua ini tidak akan berbentuk seperti sekarang tanpa Whisper dari OpenAI. Repositorinya dibuka pada 16 September 2022 di bawah lisensi MIT — kode dan bobot sekaligus — di saat pengenalan suara yang serius berarti kontrak dengan penyedia awan. Sejak itu ia mengumpulkan 106.679 bintang di GitHub.

Yang membuat Whisper penting bukan modelnya, melainkan apa yang dibangun komunitas di atasnya dalam hitungan bulan. whisper.cpp menulis ulang model itu dalam C dan C++ murni, berlisensi MIT, 52.591 bintang, dan membuatnya berjalan di laptop dan ponsel tanpa Python dan tanpa GPU. faster-whisper membangunnya ulang di atas CTranslate2 dengan lompatan besar pada kecepatan dan memori, juga MIT, 24.750 bintang. Model itu benihnya; ekosistemnya pohonnya.

Empat tahun berselang, ia masih model suara paling banyak dipakai di dunia. Dalam 30 hari terakhir, whisper-large-v3-turbo diunduh 8,72 juta kali dari Hugging Face dan whisper-large-v3 5,50 juta kali — angka yang kami tarik pada 5 Agustus 2026. Qwen3-ASR-0.6B, dengan 4,29 juta, naik cepat untuk model berumur enam bulan, tetapi pilihan bawaan yang diraih industri tanpa berpikir tetaplah Whisper. Akurasinya memang sudah menua: di papan Artificial Analysis, Whisper Large v3 mencatat AA-WER 4,07 % berbanding 1,73 % milik pemuncak saat ini. Dan tetap saja, sangat banyak produk yang sudah dirilis menjalankannya.

Lapisan suara terbuka datang dalam dua gelombang berjarak tiga tahun, dengan nyaris kosong di antaranya. Tanggal rilis dari GitHub dan Hugging Face, ditarik 5 Agustus 2026.

Sisi terbuka bukan cuma satu laboratorium

Qwen tidak sendirian, dan yang lain unggul di hal-hal yang jelas berbeda.

Lini Parakeet dari NVIDIA bertaruh pada kecepatan. parakeet-tdt-0.6b-v3, dirilis Agustus 2025 di bawah CC BY 4.0, adalah model 600 juta parameter yang mencakup 25 bahasa Eropa dengan deteksi bahasa otomatis, tanda baca, kapitalisasi, dan stempel waktu tingkat kata bawaan, serta melahap audio hingga 24 menit dalam sekali jalan. Keluarga Canary dari NVIDIA — canary-1b-v2 dan canary-qwen-2.5b, juga CC BY 4.0 — menutup wilayah serupa dengan taruhan arsitektur yang berbeda. Model Voxtral dari Mistral tiba pada Juli 2025 di bawah Apache 2.0, dan penting karena alasan yang segera kita bahas.

Berikut sisi terbuka disandingkan, dengan API terhosting di baris terakhir sebagai pembanding.

Ukuran unduhan adalah checkpoint bawaan di tiap repositori Hugging Face; "—" menandai nilai yang tidak bisa kami pastikan dari sumber primer. Ditarik 5 Agustus 2026.

Lalu ada kerja pengemasan yang membawa model-model ini ke perangkat sungguhan, titik di mana kelas laptop berhenti menjadi teori. whisperkit-coreml — Whisper yang dikompilasi untuk perangkat keras Apple — diunduh 8,31 juta kali dalam 30 hari terakhir. Build MLX Parakeet untuk Apple Silicon meraih 1,87 juta, dan dua konversi GGUF — format terkuantisasi yang menjalankan model di CPU biasa — meraih 2,04 juta dan 1,87 juta. Jutaan orang per bulan mengunduh pengenalan suara yang dikemas khusus agar berjalan di mesin mereka sendiri. Itu bukan keingintahuan riset. Itu kanal distribusi.

Peringkat satu masih endpoint pratinjau yang tidak bisa Anda unduh

Di sinilah perhitungan jujur dimulai, dan ia mengiris ke dua arah.

Kami menarik papan ucapan-ke-teks Artificial Analysis pada 5 Agustus 2026 — tolok ukur independen yang mengukur model terbuka dan tertutup pada audio yang sama, berbeda dari papan Hugging Face yang merupakan urusan sesama model terbuka. Puncak indeks AA-WER:

Sumber: papan peringkat ucapan-ke-teks Artificial Analysis, AA-WER v2, ditarik 5 Agustus 2026. Status ketersediaan unduhan dinilai dari lisensi yang diterbitkan tiap model.

Baca empat baris teratas dulu, karena itulah koreksi bagi cerita apa pun yang menyebut yang terbuka sudah menang. Model suara dengan skor terbaik di dunia adalah barang sewaan, dan pemuncaknya bahkan belum tersedia umum — ia sebuah endpoint pratinjau.

Sekarang baca baris kelima, karena ia mengoreksi koreksi tadi. Voxtral Small berlisensi Apache 2.0. Anda bisa mengunduhnya, menjalankannya di perangkat keras sendiri, dan mengirimkannya secara komersial — dan ia duduk di peringkat lima papan independen dengan 2,77 %, sekitar satu poin tingkat kesalahan kata di belakang sebuah model pratinjau tertutup. Diterjemahkan ke rapat satu jam berisi 6.300 kata, jurang itu setara sekitar 66 kata. Nyata, tetapi jauh dari jurang menganga seperti yang biasa disiratkan.

Pandangan kami: rangkuman yang tepat bukan "STT terbuka tertinggal jauh". Model suara terbuka sudah lama melewati ambang cukup baik untuk sebagian besar pekerjaan, dan keunggulan yang tersisa di sisi tertutup adalah satu poin tingkat kesalahan kata ditambah produk yang membungkusnya. Yang membawa kita ke pertukaran yang sebenarnya menentukan.

Apa yang Anda dapat dengan menjalankannya sendiri, dan apa ongkosnya

Ada tiga hal yang mendorong tim ke arah hosting sendiri, dan tak satu pun soal akurasi.

Privasi yang pertama dan biasanya menentukan. Kalau Anda mentranskripsi konsultasi medis, wawancara hukum, atau percakapan SDM, "audio tidak keluar dari perangkat keras kami" bukan preferensi melainkan syarat pengadaan, dan model yang Anda hosting sendiri adalah satu-satunya arsitektur yang memenuhinya dengan bersih. Operasi luring yang kedua: model di perangkat tetap bekerja di pesawat, di ruang bawah tanah, di lantai pabrik, di lokasi tanpa sinyal. Justru itulah sebabnya whisper.cpp dan build GGUF punya angka unduhan seperti sekarang.

Biaya yang ketiga, dan di sini angkanya telanjang. Dari potret Artificial Analysis yang sama, harga per 1.000 menit audio: Whisper Large v3 yang dihosting di fal.ai seharga 0,50 dolar, Canary Qwen 2.5B dari NVIDIA di Replicate 0,74, Parakeet TDT 0.6B V3 di Together AI 1,50. Di sisi tertutup, Nova-3 dari Deepgram 4,30, MAI-Transcribe-1.5 6,00, dan Gemini 3.1 Pro Preview 18,15. Itu selisih 4 kali lipat terhadap Microsoft dan 12 kali lipat terhadap Google, hanya untuk menghosting model terbuka di server orang lain — sebelum Anda mempertimbangkan menjalankannya di server sendiri, yang di situ biaya marginal jam keseribu adalah listrik.

Kecepatan mengiris ke arah yang sama, dan inilah detail yang paling mengejutkan kami. Model tercepat di seluruh papan adalah Parakeet TDT 0.6B V3 yang disajikan di Together AI, pada 885 kali waktu nyata — audio satu jam kembali dalam sekitar empat detik. Nova-3 dari Deepgram mencapai 512x, Whisper Large v3 di Together 478x, MAI-Transcribe-1.5 189x. Opsi transkripsi tercepat yang tersedia adalah model open weight berukuran 600 juta parameter yang bisa diunduh siapa saja.

Pertukarannya tidak pernah akurasi lawan akurasi. Ini kendali dan biaya lawan fitur-fitur yang membungkus pengenalan.

Lalu apa yang masih dijual API terhosting? Segala hal yang bukan pengenalan. Dokumentasi Deepgram adalah inventaris yang jujur: diarisasi pembicara, streaming waktu nyata, pemformatan, kosakata khusus, penyamaran entitas, deteksi bahasa, dan jaminan operasional bahwa layanan tetap hidup selagi Anda tidur. Unduh Qwen3-ASR dan Anda dapat kata serta stempel waktu. Tanpa label pembicara, tanpa SLA, dan tagihan GPU, penskalaan, serta panggilan pukul tiga pagi menjadi milik Anda.

Model paling banyak diunduh di kategori ini bukan model transkripsi

Ada satu statistik yang mengikat semuanya, dan kami tidak menduganya.

Ketika Anda mengurutkan seluruh kategori pengenalan suara otomatis di Hugging Face berdasarkan unduhan, model di puncak bukan Whisper, bukan Qwen, bukan pula Parakeet. Ia pyannote/speaker-diarization-3.1, dengan 8,91 juta unduhan dalam 30 hari terakhir, dan model diarisasi pyannote kedua menempati peringkat lima dengan 5,26 juta. Diarisasi adalah mesin yang menentukan siapa berbicara kapan — lapisan tepat di atas transkripsi.

Bobot terbuka kini menutup dua lapisan pertama. Lapisan yang menentukan berguna atau tidaknya sebuah catatan ada di atasnya.

Model paling dicari di kategori pengenalan suara justru tidak mengenali suara. Ia menjawab pertanyaan yang dibiarkan menggantung oleh para pengenal, kesimpulan yang sama dengan yang kami capai dari sisi pasar yang tertutup, ketika model berskor tertinggi di dunia dirilis tanpa label pembicara. Dua sudut pandang yang sama sekali berbeda, temuan yang sama: mendengar kata-katanya adalah bagian yang sudah selesai.

Kesimpulan

Pertanyaan menarik tentang pengenalan suara open weight tidak pernah "apakah ia sebagus model tertutup". Ia berjarak sekitar satu poin tingkat kesalahan kata, ia lebih cepat, ia empat sampai dua belas kali lebih murah, dan ia muat di laptop. Pertanyaan menariknya adalah apa yang Anda bangun di ruang yang terbuka ketika transkripsi berhenti menjadi pos biaya sewaan — sebab berkas 1,56 GB yang mendengar 52 bahasa bukanlah produk. Ia komponen yang baru saja menjadi gratis.

Bagi tim yang sedang memilih alat catatan rapat alih-alih memilih model, bacaan praktisnya singkat. Apakah sebuah produk menjalankan model terbuka atau API tertutup kini sebagian besar tinggal detail implementasi, dan makin lama akan menjadi keduanya: bobot terbuka untuk pekerjaan bervolume besar, API terhosting di tempat diarisasi, streaming, dan skala membayar harganya. Telli.sh sudah menjalankan model terbuka di lapisan perangkumannya, sehingga kemajuan di sisi terbuka mengalir langsung ke transkripsi, terjemahan, dan catatan rapat tanpa perubahan harga. Nilailah alatnya dari apa yang keluar di ujung: apakah catatan itu memberi tahu Anda siapa berkomitmen pada apa.

Mulai catatan AI langsung

Sumber

• Kartu model Qwen3-ASR-0.6B-hf (Hugging Face) — lisensi, daftar bahasa, angka papan peringkat bertanggal 26 Juni 2026
• Kartu model Qwen3-ASR-1.7B-hf (Hugging Face)
• Qwen3-ForcedAligner-0.6B (Hugging Face)
• Qwen3-ASR Technical Report, arXiv:2601.21337 (diajukan 29 Januari 2026)
• Repositori OpenAI Whisper (MIT, dipublikasikan 16 September 2022)
• whisper.cpp dan faster-whisper
• Kartu model NVIDIA parakeet-tdt-0.6b-v3 (CC BY 4.0)
• Mistral Voxtral-Small-24B-2507 (Apache 2.0)
• Papan peringkat ucapan-ke-teks Artificial Analysis — AA-WER v2, angka kecepatan dan harga ditarik 5 Agustus 2026
• Hugging Face Open ASR Leaderboard
• Dokumentasi Deepgram tentang diarisasi
• Halaman gambar di Wikimedia Commons