Vad det faktiskt kostar att slippa ladda upp
En talmodell som får plats i en webbläsare är mindre än en som körs på ett serverrack. Så här stort är avståndet, mätt på samma ljud, för alla språk.
ordfelfrekvens, lägre är bättre · FLEURS test · n = 111–120 · 2026-09-26
Så mättes det
Båda systemen fick samma 150 meningar per språk ur Googles FLEURS-testmängd, på samma maskin, med samma normalisering: versaler och skiljetecken räknas inte. En mening utesluts helt om facit, eller något av systemens utdata, innehåller siffror — ”1940” och ”nittonhundrafyrtio” är båda rätt, och ingen enskild regel normaliserar det över elva språk. Samma meningar plockas bort för båda systemen, och att plocka bort dem gör avståndet större, inte mindre. Referenssystemet är Whisper large-v3, modellen som de flesta gratis transkriberingstjänster på nätet kör, kvantiserad till q5_0. Många gratistjänster kör i själva verket en mindre Whisper-variant, så avståndet som visas här är det största du behöver räkna med.
Vad siffrorna inte säger
FLEURS är uppläst tal inspelat i tyst miljö, så båda kolumnerna är optimistiska jämfört med en verklig mötesinspelning. Läs avståndet mellan kolumnerna, inte de absoluta värdena. FLEURS innehåller dessutom bara latinamerikansk spanska och brasiliansk portugisiska, så de europeiska varianterna av de två språken är inte mätta separat.
Sista kolumnen är den lägsta ordfelsfrekvens som publicerats för varje språk på FLEURS, av systemets egna utvecklare eller i en forskningsartikel – vi har inte mätt den själva. De siffrorna gäller hela testsetet och en strängare beräkning än vår: samma Whisper large-v3 får här 2,9 % på tyska, men 4,5–4,9 % enligt det publicerade. På lika villkor är avståndet till de bästa molntjänsterna alltså något större än kolumnerna visar.
ElevenLabs Scribe v1 (self-reported) · Mistral Voxtral Mini Transcribe V2 (Voxtral Realtime paper, Table 7) · Whisper large-v3 (OpenAI, large-v3 release) · NVIDIA Canary-1B-v2 (Canary-1B-v2 paper, Table 11)
Mätt på den här sidan i Chrome på Apple M2 (8 cores), med 3 igenkännare parallellt som sidan gör som standard: ungefär 20 gånger snabbare än realtid. Datorer med färre kärnor, mobiler och flikar i bakgrunden är långsammare.