Whisper large-v3

Über das Modell

Kein Sprachmodell im engeren Sinn, sondern ein Spracherkenner: Aus einer Tonaufnahme wird Text mit Zeitmarken. Mit 1,55 Milliarden Parametern ist es klein und läuft vollständig auf eigener Hardware; abgedeckt sind 99 Sprachen.

Zur Lizenz eine Auskunft, die wir lieber selbst geben, als sie jemanden suchen zu lassen: Die beiden Primärquellen widersprechen sich. Das Projektarchiv von OpenAI sagt, Quelltext und Modellgewichte stünden unter der MIT-Lizenz. Die Modellkarte bei Hugging Face, über die praktisch jeder die Gewichte bezieht, weist als Lizenz Apache 2.0 aus. Beide sind freizügig und erlauben die kommerzielle Nutzung – praktisch ändert sich dadurch nichts. Wer die Lizenz aber in eine Akte schreibt, sollte die Fundstelle dazuschreiben, aus der er sie hat, statt sich für eine der beiden zu entscheiden.

Der Anwendungsfall, der es in diesen Katalog gebracht hat: Untertitel und Transkripte für Videos auf betreuten Websites – ohne die Aufnahme an einen Transkriptionsdienst zu geben. Bei Gemeinderatssitzungen, Schulungsvideos oder Kundeninterviews ist genau das der Punkt, an dem die üblichen Dienste ausscheiden.

Grenzen: starker Dialekt, mehrere gleichzeitig sprechende Personen und schlechte Aufnahmequalität kosten Genauigkeit. Wer Untertitel veröffentlicht, muss sie gegenlesen – das gilt für jede automatische Transkription und ist bei barrierefreien Angeboten auch rechtlich relevant.

Stärken

Kurz gesagt

Transkription und Untertitel auf eigener Hardware, 99 Sprachen