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 nio språken.
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 nio 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.
Hastigheten är andelen realtid som transkriberingen tar: 0,20× betyder att en timmes inspelning tar tolv minuter. Uppmätt på en Apple-laptop med M-chip; på din maskin blir det annorlunda.