Parakeet-TDT 0.6B v3
NVIDIA · Vereinigte Staaten
Über das Modell
Ein Spracherkenner mit 600 Millionen Parametern – winzig im Vergleich zu allem anderen in diesem Katalog – der 25 europäische Sprachen abdeckt und die Sprache einer Aufnahme selbst erkennt, ohne dass man sie angeben muss. Er liefert Groß- und Kleinschreibung, Zeichensetzung und Zeitmarken auf Wort- und Abschnittsebene. Der Durchsatz, den die Modellkarte des Herstellers angibt, liegt um ein Vielfaches über dem von Whisper.
Für den Anwendungsfall, um den es hier geht, ist das der Unterschied zwischen einer Stunde und ein paar Minuten: Untertitel und Transkripte für Gemeinderatssitzungen, Schulungsvideos und Kundeninterviews – ohne die Aufnahme an einen Transkriptionsdienst zu geben.
Wann Whisper trotzdem die bessere Wahl ist: bei Aufnahmen außerhalb der 25 abgedeckten Sprachen. Whisper large-v3 deckt rund hundert Sprachen ab und bleibt deshalb im Katalog. Für Live-Mitschriften wäre ein drittes Modell nötig; dafür kommt Voxtral Mini Realtime von Mistral in Frage, ebenfalls Apache 2.0.
Zwei Hinweise zur Lizenz und zur Sorgfalt: Die Gewichte stehen unter CC BY 4.0, nicht unter Apache 2.0 – kommerziell nutzbar, aber mit Namensnennung. Und wie bei jeder automatischen Transkription gilt: Starker Dialekt, mehrere gleichzeitig sprechende Personen und schlechte Aufnahmequalität kosten Genauigkeit. Veröffentlichte Untertitel müssen gegengelesen werden, bei barrierefreien Angeboten auch aus rechtlichen Gründen.
Stärken
Kurz gesagt
Schnelle Transkription in 25 europäischen Sprachen mit Zeitmarken, CC BY 4.0