Den nordiske AI-virksomhed Klang.ai udgiver nu sin første åbne tale-til-tekst-model til dansk. Modellen, der hedder Pianissimo, overgår de førende alternativer i hastighed og nøjagtighed, både åbne, lokale modeller og kommercielle alternativer fra techgiganter som Google, OpenAI og ElevenLabs.
Pianissimo bygger på Nvidia Parakeet, en åben tale-til-tekst-model, der er udviklet til effektiv og hurtig transskribering, og som Klang har optimeret til dansk. I testene har Pianissimo en lavere fejlrate end samtlige sammenlignede alternativer og er samtidig hurtigere end de fleste.
Vi udvikler stadig mere teknologi, der kræver transskribering i realtid, men de skandinaviske sprog har indtil relativt nylig været underprioriterede. Nu har vi udviklet den model, vi selv mener, vi har brug for, både når det gælder hastighed og nøjagtighed, siger Mattias Fält, Head of AI, medstifter og ansvarlig for Pianissimo hos Klang AI.
Lanceringen sker i en periode med hurtig udvikling inden for dansk taleteknologi, præget af flere nye åbne modeller og et voksende økosystem af forskere, virksomheder og udviklere. Ved at udgive Pianissimo som en åben model vil Klang bidrage til en fortsat udvikling med flere højtydende modeller.
Hvis nordiske virksomheder skal kunne udvikle konkurrencedygtig AI, skal vi blive bedre til at bygge videre på hinandens arbejde. Med Pianissimo vil vi bidrage til den udvikling og samtidig skabe flere alternativer til de store internationale modeludbydere for at styrke Nordens og Europas teknologiske uafhængighed, fortsætter Mattias Fält.
Test med autentisk dansk tale og 3.600 gange realtid
Klang har selv udformet testene for at måle modellernes evne til at transskribere autentisk tale, som ikke har indgået i kendte træningsmaterialer. I testene har Pianissimo en fejlrate, der er henholdsvis 10 og 11 procent lavere end de åbne danske modeller Edda og Saga samt 4 procent lavere end den kommercielle model ElevenLabs Scribe v2. Resultaterne måles i Word Error Rate (WER), hvor en lavere værdi betyder færre transskriberingsfejl.
Pianissimo er samtidig udviklet til hurtig og ressourceeffektiv transskribering og når en hastighed på cirka 3.600 gange realtid, hvilket betyder, at en times optaget lyd kan behandles på omkring ét sekund. Modellen kan også køre lokalt og offline på almindelig forbrugerhardware, uden at lyd eller data skal sendes til en ekstern tjeneste.
Næste skridt i en nordisk satsning
Efter lanceringen af den svenske version af Pianissimo i september er dansk næste skridt i Klangs satsning på åben taleteknologi til de skandinaviske sprog. En norsk version er planlagt inden længe, ligesom der planlægges flere modeller optimeret til enten hastighed eller nøjagtighed.
Mere om Klang Pianissimo
- Teknologi: Baseret på Nvidia Parakeet. Kan køre lokalt og offline på forbrugerhardware.
- Nøjagtighed: 11,83 % WER, det bedste resultat blandt modellerne i Klangs benchmark.
- Benchmark: Tre separate datasæt med autentisk dansk tale fra Europa-Parlamentet, dansk tv og sprogforskning ved Københavns Universitet (DanPASS).
- Hastighed: Cirka 3.600 gange realtid, svarende til 40 timers lyd på under ét minut.
- Anvendelsesområder: Modellen er udviklet til anvendelser, hvor der er behov for høj kvalitet og hastighed, eksempelvis live-transskribering, tilgængelighedsløsninger og andre tjenester, der skal kunne følge en samtale, mens den foregår.
- Tilgængelighed: Modellen udgives med åbne modelvægte under licensen CC BY 4.0, hvilket betyder, at den frit må anvendes, modificeres og videreudvikles, også kommercielt, med angivelse af kilde og licens.
Fra den 3. november er Klang Pianissimo tilgængelig via Hugging Face.
Prøv Pianissimo selv