Sarvam称其模型在22种印度语言上的词错误率约为19%，Meta覆盖1600种语言，但已发表的语音得分大多出自开发者自己

据Sarvam AI 2026年2月11日自己发布的文章，其Saaras V3语音模型在IndicVoices基准测试中的词错误率约为19%。Meta的开源Omnilingual ASR模型于2025年11月10日发布，其结果表中印地语的字符错误率为3.6。这两个数字测的是不同的东西，用的是不同的音频，其他已发表的得分大多也同样难以对齐。

词错误率（WER）是系统相对于人工转写稿答错的词所占的比例。字符错误率（CER）数的则是错误的字符。印度语言还有另一重麻烦。AI4Bharat，也就是印度理工学院马德拉斯分校的语言技术实验室，其研究人员在2026年3月1日的一份预印本中写道，灵活的拼写，以及词的可拆可合，使得单纯的WER给系统打出的分数，比用户的实际感受更差。

Sarvam的22种语言模型

Saaras V3用一个模型处理22种印度官方语言加英语。Sarvam的文章给出，全部语言在IndicVoices上的WER约为19%，使用人数最多的十种语言为19.31%。文章说，此前覆盖11种语言的Saaras V2.5，在同一个测试集上约为22%。

IndicVoices是AI4Bharat的一个数据集。它2024年的论文描述了来自22种语言、145个县、16,237名说话人的7348小时语音，其中当时已转写的有1639小时。Sarvam的文章点名GPT-4o Transcribe、Gemini 3 Pro、Deepgram Nova3和ElevenLabs Scribe v2是它胜过的对手，却没有印出它们的得分。文章也没有提到任何外部评估方。

Saaras V4于2026年9月25日推出。Sarvam报告它在IndicContextEval上的WER为16.03%，这是AI4Bharat的一项测试，由用户提供关键术语；语种识别错误率在全部22种语言上为5.22%，在前十种语言上为2.9%。V4的大多数准确率结果只以图表形式出现。同步API接受30秒以内的音频，批处理任务接受最长两小时的文件。

2026年2月3日宣布的Sarvam Audio是一个单独的模型，是Sarvam的30亿参数语言模型的音频扩展。文章把它与GPT-4o Transcribe和Gemini 3 Flash在IndicVoices上做了比较，但没有给出数字，并说它尚未全面开放。

2026年3月的AI4Bharat预印本，作者中有一名Sarvam研究人员，且未经同行评审，它衡量了拼写变体对得分的扭曲程度。其“正字法感知”WER（OIWER）接受一个词的任何一种列出的拼写。对其中一个模型，它平均低了6.3个点，泰米尔语的平均差距是14.4个点，马拉雅拉姆语是13.9个点，马拉地语和古吉拉特语约为5.3个点。

Meta的1600种语言

Omnilingual ASR覆盖1600多种语言，Meta说其中500多种以前从未被AI转写过。模型规模从3亿到70亿参数不等。代码和模型采用Apache 2.0许可，论文中的解码器借鉴了大语言模型。Meta自己的头条数字是：用它70亿参数的模型，78%的语言CER低于10。

该项目在GitHub上的结果表给出了印度的情形。印地语在236.7小时训练音频之后CER为3.6，泰米尔语在379.3小时之后为5.2，孟加拉语为2.8，奥里亚语在51.8小时之后为5.8。博杰普尔语只有5.5小时训练时长，CER为16.5。桑塔利语在0.4小时上是4.9。这张表没有列出标明测试音频的一栏。

有两条限制有案可查。Meta说，用少量样例教模型一门新语言，准确度不如完整训练。另外，GitHub页面说大多数检查点会拒绝40秒或更长的片段，不过2025年12月的一次更新为较长的音频增加了“Unlimited”变体。

在翻译方面，Meta 2026年3月17日的Omnilingual MT论文，描述了作者所称的第一个支持1600多种语言的系统。作者说，它10亿至80亿参数的模型与一个700亿参数的基线持平或更胜一筹。他们还报告说，基线模型往往能听懂一门低资源语言，却生成得很差。tuput在摘要和打开的页面中没有找到印度语言各自的得分。

唯一一个以印度电话通话为基础的测试

Voice of India由Josh Talks与AI4Bharat共同运行，已被Interspeech 2026接收，使用来自36,691名说话人、15种语言的536小时无脚本电话语音。它用OI-WER来评分，这是一个由有效拼写构成的格（lattice）。核心测试集不公开，所以外人无法复现结果，计划公开的只是一小部分样本。

Josh Talks 2026年4月的文章在其表中给15个系统打了分。以下是OI-WER百分比，越低越好。

Sarvam的产品Sarvam Audio在三项上都排第一。GPT-4o Transcribe是OpenAI 2025年3月的模型。TechCrunch在其发布时报道，引用OpenAI的内部基准测试，泰米尔语、泰卢固语、马拉雅拉姆语和卡纳达语的词错误率接近30%。这是和Voice of India不同的另一项测试。

这篇文章列出了它自身的局限。评分格背后的假设文本，来自一个内部的识别模型集成。命名实体、领域术语和数字尚未测试。男性说话人相对于女性说话人，错误率的相对惩罚约为19%至21%。

Bodhan的九月发布，以及对不上的数字

2026年9月，Bodhan AI发布了Indic-Transcribe，一组开源的语音识别模型。Bodhan AI是印度理工学院马德拉斯分校孵化的团队，与AI4Bharat和英伟达合作。Core模型的说明卡报告，在Voice of India上的平均OIWER为8.7，对比Saaras V3的10.7、IndicConformer的17.8和Gemini 3 Pro的21.1。它覆盖25种语言：英语、22种列入附表的语言、博杰普尔语和比利语。说明卡没有说明评估由谁来做。

说明卡列出了它的局限。它用最长30秒的片段训练，只输出本地文字，并假定只有一位说话人。自动语种识别并不均衡，博杰普尔语、迈蒂利语和乌尔都语常被并入印地语。

Bodhan的说明卡和Josh Talks的页面，对同样的模型也说法不一。说明卡给Gemini 3 Pro的印地语得分是9.3，给OmniASR LLM 7B是9.6，而Josh Talks的表里是6.0和13.7。两个页面都没有解释差异，所以两边的得分不能合并计算。

谷歌和OpenAI公布的是语言数量

谷歌的Chirp 3文档于2026年10月7日更新，列出印地语和印度英语已正式可用。另有十种印度语言在预览中，分别是阿萨姆语、孟加拉语、古吉拉特语、卡纳达语、马拉雅拉姆语、马拉地语、奥里亚语、旁遮普语、泰米尔语和泰卢固语。乌尔都语没有出现。该页面没有给出错误率。

谷歌2026年6月9日宣布的Gemini 3.5 Live Translate，可以翻译70种或更多语言的语音，并力求保持说话人的节奏和音高。Google Meet的语音翻译从五种语言增加到70种或更多，从只有英语的语言对，扩展到一场会议中2000多种语言组合。文章说，译文会落后说话人几秒，没有印出基准测试数字，也没有写出印度语言的名称。

2026年5月报道的OpenAI的gpt-realtime-translate，接受70多种语言的语音，其手册列表中包括印地语、孟加拉语、古吉拉特语、马拉雅拉姆语、旁遮普语和泰卢固语。语音输出有13种语言，印度语言只有印地语一种。OpenAI的手册警告说，该模型可能替换错误的名字或实体，并且没有给出延迟数字。

Bhashini是政府平台，在印度推动用自己的语言做AI中有介绍，它也提供语音服务。tuput没有找到它的模型公布的错误率，所以这里没有给它打分。最高法院自己使用AI做转写和翻译的情况，见印度法院中的AI。

Josh Talks的文章把命名实体、特定领域和数字方面的评估列为今后的工作，因此上面没有任何一个得分涵盖人名、行话或数字。