nb-whisper-large

Oversikt. NB-Whisper Large er en modell med åpne vekter for talegjenkjenning og taleoversetning fra NB AI-Lab ved Nasjonalbiblioteket i Norge. Den er bygget ved å finjustere OpenAIs Whisper-arkitektur og er utgitt under Apache-2.0. Modellen konverterer lyd til transkribert eller oversatt tekst, med vekt på norsk og bred flerspråklig dekning. Den er et naturlig valg når oppgaven er nøyaktig norsk transkripsjon av ekte opptak – ikke tekstgenerering.

Viktigste styrker. Den fagfellevurderte NB-Whisper-artikkelen rapporterer en ordfeilvrate på 6,6 på FLEURS bokmål mot 10,4 for Whisper Large-v3, og 2,2 på NST mot 6,8, noe som viser at finjusteringen gir målbar forbedring i norsk talegjenkjenning sammenlignet med basismodellen. Den er en tett enkoder-dekoder med 1,55 milliarder parametere som beholder Whispers flerspråklige rekkevidde, men spesialiserer seg på norske datasett som NCC, NST, NPSC, NRK-teksting, Stortingstaler og lydbøker. Endepunktet som betjenes, eksponerer tidsstempler på ordnivå og høyttaleridentifikasjon, slik at transkripsjoner kan synkroniseres med lyden og tilskrives enkelttalere uten en separat behandlingskjede.

Når du bør bruke den. Bruk denne modellen for norsk lyd der transkripsjonsnøyaktighet veier tyngre enn svartid: intervjuer, stortingsopptak, kringkasting og materiale av lydbokslengde. Endepunktet transkriberer med omtrent 15 til 25 ganger sanntidshastighet, noe som passer godt for batchjobber over lange opptak. Tidsstempler på ordnivå gir ekstra behandlingstid og bør bare aktiveres når de faktisk trengs. Høyttaleridentifikasjon gjør modellen egnet for materiale med flere talere, som møter eller debatter.

Begrensninger. Dette er en ASR-modell, ikke en tekstassistent: den har ingen verktøykall, strukturert utdata, JSON-modus eller resonneringsspor, og den utfører ikke dokumentforståelse. Whisper behandler lyd i faste 30-sekunders vinduer med 448 token dekoderutdata per vindu, så svært lange inndata håndteres som sekvenser av vinduer snarere enn én enkelt kontekst. Provenansen til basismodellversjonen er noe usikker – modellkortets tag og prosa er ikke samstemte om det er Whisper Large eller Large-v3 – ingen dato for når treningsdataene slutter er publisert, og lisensen tillater gjenbruk, men den eksakte finjusteringsvarianten er ikke formelt dokumentert.

Suverenitetsnotat. Modellen er laget av NB AI-Lab i Norge og betjenes på infrastruktur i Stockholm som leverandøren oppgir befinner seg utenfor rekkevidden til USAs CLOUD Act og FISA 702, med åpne Apache-2.0-vekter tilgjengelig for selvhosting. Leverandøren oppgir at de ikke lagrer instrukser eller utdata og aldri trener på kundedata, men ingen spesifikk lagringsperiode for lydendepunktet er publisert. Datahåndteringen bør derfor bekreftes med endepunktoperatøren før sensitiv lyd rutes dit.