Najpresnejší prepis slovenčiny, aký sme namerali
gaston-sk-v2 je postavený na otvorenom slovenskom modeli Whisper od KInIT a ďalej trénovaný na približne 2 600 hodinách slovenskej reči. Prepisuje každú slovenskú nahrávku v Gaston, od tlačových konferencií a parlamentu po podcasty a filmy.
Chybovosť slov (WER) počíta slová, ktoré sa líšia od starostlivého ľudského prepisu. Nižšia hodnota je lepšia.
Menej chýb ako otvorený slovenský model Whisper od KInIT
Model whisper-large-v3-sk od KInIT je slovenský model s otvorenou licenciou a práve z neho sme vychádzali. Ďalšie trénovanie na našich vlastných dátach znížilo jeho chyby v slovách v priemere o ďalších 11,5 % a chyby pôvodného modelu od OpenAI zhruba na polovicu.
Na každej zo 7 testovacích sád krátkych nahrávok je lepší ako model od KInIT, v každej s 95 % istotou.
Mierka stĺpcov: 0 až 25 %. Všetky modely sme merali sami, rovnakým spôsobom, na testovacích sadách zafixovaných pred trénovaním.
O polovicu menej chýb ako OpenAI aj ElevenLabs v parlamente
Dve z najznámejších komerčných služieb na prepis reči, OpenAI gpt-transcribe a ElevenLabs Scribe v2, sme otestovali na rovnakých šiestich verejných testovacích sadách s rovnakým hodnotením. Pri prejavoch v Národnej rade robí náš model približne polovicu ich chýb a v priemere robí menej chýb ako ktorákoľvek z nich.
Pri čistých čítaných vetách (FLEURS) sú lepšie ony a OpenAI aj na Common Voice. Ukazujeme aj to, kde prehrávame.
✓ lepší je gaston-sk-v2 ≈ nerozhodne ▲ lepší je druhý model. Mierka stĺpcov: 0 až 25 %. Testované v októbri 2026 na 7 605 verejných nahrávkach (približne 16,4 hodiny) pre každú službu, s jazykom nastaveným na slovenčinu. Výsledok sa počíta ako lepší, len ak 95 % interval spoľahlivosti rozdielu nezahŕňa nulu. ElevenLabs zapisuje výplňové zvuky ako „é“ či „hm“, ktoré naše referencie vynechávajú; pred hodnotením sme ich odstránili, takže ide o jeho najlepšie možné čísla. Naše vlastné testovacie sady z Gaston sme žiadnej externej službe neposlali. Komerčné modely sa časom menia.
Lepší v parlamente, na prednáškach aj v bežnej reči
Najväčší posun je tam, kde je slovenčina náročná: vety nahraté dobrovoľníkmi a skutočné nahrávky používateľov Gaston, teda zvuk, ktorý ľudia naozaj nahrávajú.
Pri nedávnych prejavoch v parlamente sa model pomýli zhruba v jednom slove zo 70.
Mierka stĺpcov: 0 až 25 %. * Model od KInIT bol veľmi pravdepodobne trénovaný aj na rokovacích dňoch, ktoré zo SloPal odkladáme na testovanie, takže tento riadok mu nadržiava.
Merané na celých súboroch, nielen na krátkych úryvkoch
Krátke úryvky sú štandardný test, ľudia však nahrávajú celé rozhovory a relácie. Preto sme celé nahrávky pustili aj cez skutočné spracovanie v Gaston a porovnali ich s prepismi, ktoré človek skontroloval slovo po slove.
Na týchto súboroch robí model približne o 24 % menej chýb ako OpenAI Whisper large-v3 a približne o 9 % menej ako model od KInIT.
Mierka stĺpcov: 0 až 25 %. Skutočné súbory z Gaston, ktoré sa nepoužili na trénovanie, prepísané presne tak, ako ich prepisuje produkčná služba.
GASTON priezviská nevynechá
Pre novinárov a výskumníkov je prepis bez mien nepoužiteľný. Typickým zvykom modelu od KInIT je ponechať krstné meno a vynechať priezvisko. Vypočujte si tento 18-sekundový úryvok z rozhovoru, ktorý sa nepoužil na trénovanie.
V nahrávke zaznie „Igor Matovič“, slovenský politik a bývalý premiér.
Už keď Igor Matovič dal taký status prednedávnom, dal tam výstrižok z relácie, kde bola Zora Jaurová a niečo ju kritizoval v tom zmysle, že ako môže sa, ako sa môže niekomu páčiť taký afektovaný prejav, takže to bolo také, ale hneď ju zároveň teda porovnával s vami.
Už keď Igor chýba dal taký status prednedávnom, dal tam vystrižok z relácie, kde bola Zora Jaurová a niečo ju kritizoval v tom zmysle, že ako môže sa, ako sa môže niekomu páčiť taký afektovaný prejav. Takže to bolo také, ale zároveň ju teda porovnával s vami.
Už keď Igor Matovič dal taký status prednedávnom, dal tam vystrižok z relácie, kde bola Zora Jaurová a niečo ju kritizoval v tom zmysle, že ako sa môže niekomu páčiť taký afektovaný prejav. Hej, to ani niečo neviem. Takže to bolo také, ale popozorne ju zároveň teda porovnával s vami. Áno.
Jeden príklad, vybraný na ukážku vzoru. Oranžovou sú označené pravopisné chyby: namiesto „vystrižok“ má byť „výstrižok“ a „popozorne“ nie je slovo.
Spočítané na 11 skutočných nahrávkach (9,9 hodiny), ktoré sa nepoužili na trénovanie, iba tam, kde bol zvyšok vety v oboch prepisoch rovnaký.
Neďakuje vám za pozornosť
Modely Whisper sa učili na videách s titulkami, preto rady pridávajú veci, ktoré nikto nepovedal: záverečné „Ďakujem“, autora titulkov či výzvu na odber. Ten náš sme naučili, aby to nerobil.
Aj ticho zostane tichom. Dlhé tiché úseky zostanú bez textu, zatiaľ čo OpenAI Whisper large-v3 dokáže prejsť do iného jazyka alebo dookola opakovať tú istú vetu.
| Vymyslený text | gaston-sk-v2 | KInIT | Whisper large-v3 |
|---|---|---|---|
| „Ďakujem“ pridané na koniec | 3 | 17 | 49 |
| „titulky“, „odoberajte“ alebo webová adresa | 0 | 1 | 30 |
Spočítané rovnako pre všetky modely na 10 719 krátkych testovacích nahrávkach.
Z čoho vznikol
Vychádzali sme z otvoreného slovenského modelu Whisper od KInIT, ktorý je sám doladením modelu OpenAI Whisper large-v3, a celý model sme ďalej trénovali na približne 2 600 hodinách slovenčiny: skutočné nahrávky z Gaston, parlament, film, prednášky a čítaná reč.
Nahrávky čistého hluku a hudby s prázdnym prepisom ho učia nenapísať nič namiesto vymýšľania textu.
Naša dátová sada z Národnej rady SR je verejná: 471,5 hodiny v 140 420 nahrávkach od 190 poslancov, od novembra 2024 do septembra 2026, zarovnaná so skontrolovanými oficiálnymi záznamami Národnej rady Slovenskej republiky. Je zadarmo pod licenciou CC BY 4.0, takže na nej môže ktokoľvek trénovať a testovať slovenské modely reči.
Čo získate
Týmto modelom sa prepisuje každá slovenská nahrávka v Gaston, v aplikácii aj cez Gaston API. Netreba nič zapínať.
- •Hovorové tvary sa upravujú do spisovnej slovenčiny, napríklad z „môžte“ bude „môžete“ a zo „šak“ bude „však“.
- •Česká reč sa zapíše po slovensky.
- •Zriedkavé cudzie mená môžu byť zapísané s chybou.
Ako sme merali
- Všetky testovacie sady boli zafixované pred začiatkom trénovania a žiadna z nich sa na trénovanie nepoužila.
- Všetky modely boli dekódované rovnako (CTranslate2, fp16, beam search 5, jazyk nastavený na slovenčinu) a hodnotené s rovnakou normalizáciou textu.
- Čísla zverejnené inde sa môžu líšiť pre iné nastavenia normalizácie a inferencie. Každé číslo na tejto stránke sme namerali sami, rovnako pre všetky modely.
- Rozdiel oproti modelu od KInIT sme overili párovým bootstrapom: na každej sade krátkych nahrávok leží 95 % interval spoľahlivosti celý v náš prospech.
| Testovacia sada | Poznámky |
|---|---|
Gaston, celé nahrávky Gaston |
76,5 minút skutočných súborov skontrolovaných človekom, spracovaných celým produkčným procesom |
Vety z Gaston Gaston |
Skutočné nahrávky z Gaston, opravené korektorom |
TrePal NR SR 2024-2026 · CC BY 4.0 |
Národná rada SR, naše vlastné zarovnanie oficiálnych prepisov |
SloPal NR SR |
Národná rada SR, niekoľko rokovacích dní odložených na testovanie |
VoxPopuli Meta |
Prejavy v Európskom parlamente |
TEDxSK TUKE |
Prednášky |
FLEURS Google |
Čítaná reč |
Common Voice 22 Mozilla |
Vety načítané dobrovoľníkmi |
Poďakovanie
Tento model stojí na otvorenej práci. Ďakujeme všetkým, ktorí ju vytvorili a zdieľali.
Model sme naučili neďakovať. Tu to však myslíme vážne: ďakujeme.
- KInIT, whisper-large-v3-sk, Apache 2.0 (model, z ktorého sme vychádzali)
- Založené na OpenAI Whisper large-v3 (MIT)
- Národná rada Slovenskej republiky, oficiálne prepisy a záznamy
- TrePal, CC BY 4.0 (naša parlamentná dátová sada vytvorená z týchto záznamov)
- Meta VoxPopuli, CC0
- Mozilla Common Voice, CC0
- Google FLEURS, CC-BY-4.0
- MUSAN, CC BY 4.0 (hluk a hudba na trénovanie)
- TEDxSK, TUKE
- SloPal (len na testovanie)
Vyskúšajte ho na vlastných slovenských nahrávkach
Nahrajte súbor alebo vložte odkaz na YouTube a o zvyšok sa postará Gaston.