nb-whisper-large

Oversigt. NB-Whisper Large er en model med åbne vægte til talegenkendelse og taleoversættelse fra NB AI-Lab ved det norske nationalbibliotek. Den er bygget ved at finjustere OpenAIs Whisper-arkitektur og udgivet under Apache-2.0. Modellen konverterer lyd til transskriberet eller oversat tekst med fokus på norsk og bred flersproget dækning. Som udvikler vil du vælge denne model, når opgaven er præcis norsk transskribering af virkelige optagelser frem for tekstgenerering.

Vigtigste styrker. Den fagfællebedømte NB-Whisper-artikel rapporterer en ordfejlrate på 6,6 på FLEURS Bokmål mod 10,4 for Whisper Large-v3, og 2,2 på NST mod 6,8. Finjusteringen forbedrer altså målbart nøjagtigheden for talt norsk i forhold til basen. Det er en tæt encoder-decoder med 1,55 milliarder parametre, der bevarer Whispers flersprogede rækkevidde, mens den specialiserer sig i norske korpora som NCC, NST, NPSC, NRK-undertekster, Stortinget-taler og lydbøger. Det betjente endepunkt tilbyder tidsstempler på ordniveau og taleradskillelse, så transskriptioner kan synkroniseres med lyden og tilskrives talere uden en separat behandlingskæde.

Anvendelsesområder. Brug denne model til norsk lyd, hvor transskriberingsnøjagtighed er vigtigere end svartid: interview, parlamentsoptagelser, udsendelser og materiale i lydbogslængde. Det betjente endepunkt transskriberer ca. 15 til 25 gange hurtigere end realtid, hvilket passer til batch-opgaver med lange optagelser. Synkronisering på ordniveau øger belastningen og bør kun aktiveres, når der er brug for tidsstempler. Taleradskillelse gør den velegnet til materiale med flere talere, såsom møder eller debatter.

Begrænsninger. Dette er en ASR-model, ikke en tekstassistent: den har ingen verktøjskald, struktureret uddata, JSON-tilstand eller ræsonneringsspor, og den udfører ikke dokumentforståelse. Whisper behandler lyd i faste vinduer på 30 sekunder med en decoder-uddata på 448 tokens per vindue, så meget lange inddata håndteres som sekvenser af vinduer frem for én samlet kontekst. Oprindelsen af den anvendte modelversion er en smule usikker (modelkortets mærkat og tekst er uenige om Whisper Large eller Large-v3), der er ikke oplyst, hvor træningsdataene slutter, og selvom licensen tillader genbrug, er den præcise finjusteringsvariant ikke formelt dokumenteret.

Bemærkning om suverænitet. Modellen er skabt af NB AI-Lab i Norge og betjenes på infrastruktur i Stockholm, som leverandøren oplyser ligger uden for rækkevidde af US CLOUD Act og FISA 702. De åbne Apache-2.0-vægte er tilgængelige, hvis du vil køre selv. Leverandøren oplyser, at de ikke opbevarer indhold fra prompter eller uddata og aldrig træner på kundedata. Da der ikke er offentliggjort en specifik opbevaringstid for lyd-endepunktet, bør du bekræfte håndteringen af data med operatøren, før du sender følsom lyd.