AI Aulis

AI-UUTISET SUOMEKSI · 15.11.2026

Tekoälyalan tärkeimmät uutiset joka aamu. Tekoäly kirjoittaa ja tarkastaa jutut alkuperäisiä lähteitä vasten – tarkista tärkeät tiedot lähteistä.

26 juttua · seuraava numero huomenna aamulla · Miten lehti tehdään →

← Numero 15.11.2026Lehti

Avointen painojen puhemalli Fluid Speech Pro tunnistaa 25 kieltä, myös suomea

Tekoälyn tuottama sisältöTekoälyn kirjoittama

github.com, huggingface.co · 6 lähdettä · Lähteet julkaistu: 13.11.2026 · osan lähteistä ajankohta ei tiedossa

FluidVoice julkaisi Hugging Facessa ladattavan puheentunnistusmallin 25 eurooppalaiselle kielelle. Yhtiön oman ilmoituksen mukaan malli on Open ASR -tulostaulukon toiseksi tarkin avointen painojen malli englanninkielisissä testeissä.

FluidVoicen tiimi julkaisi Fluid Speech Pro -mallin täyden mallikortin sekä ONNX- ja GGUF-versiot Hugging Facessa 13. marraskuuta. Malli tekee puheesta tekstiä, tunnistaa puheen kielen itse ja lisää välimerkit ja isot kirjaimet.

Malli on rakennettu Nvidian Parakeet TDT 0.6B v3 -mallin pohjalle, ja siinä on 0,63 miljardia parametria. Rakenne on Parakeetin, mutta äänen käsittelyn alkuvaiheeseen on lisätty yksi pieni lisälohko. Valinnainen siivoustila (clean mode) poistaa toistetut sanat ja täytesanat, kuten ”um” ja ”uh”. Tekijät varoittavat käyttämästä sitä, kun tarvitaan sanatarkka tallenne.

Tarkkuus yhtiön omien mittausten mukaan

FluidVoicen mukaan malli on Hugging Facen Open ASR -tulostaulukossa toinen avointen painojen mallien joukossa. Mittari on sanavirheprosentti (WER) eli väärin tunnistettujen sanojen osuus; pienempi on parempi. Taulukon luvut on ajettu sädehaulla (4 sädettä), joka tekijöiden mukaan tekee noin 0,6 % vähemmän virheitä kuin mallin oletusdekoodaus.

Taulukossa ovat mallikortin vertailun neljä kärkimallia ja pohjamalli Parakeet, joka on listalla kahdeksas:

Malli Parametreja Keskimääräinen WER
Musci-ASR 2 mrd. 5,70
Fluid Speech Pro 0,63 mrd. 6,06
NVIDIA Nemotron 3.5 Transcribe 30 mrd. 6,13
Qwen3-ASR 1,7 mrd. 6,15
NVIDIA Parakeet TDT 0.6B v3 0,6 mrd. 7,04

Lähde: FluidVoicen mallikortti; keskiarvo seitsemästä julkisesta ja kahdesta yksityisestä englanninkielisestä testiaineistosta.

Taulukko ei kerro, miten malli toimii suomeksi. Sijoitus perustuu yhtiön mallikorttiin, eikä sille ole esitetty riippumatonta vahvistusta. Repositorion lokakuisessa arviointitiedostossa yhtiö ilmoitti itse ajamansa tulokset yhdellä H100-GPU:lla ja totesi, että tulostaulukon ylläpitäjien oma ajo korvaa ne. Tiedoston osatulokset poikkeavat hieman mallikortista, esimerkiksi melutestissä URGENT 2024 luku on 9,80, mallikortissa 9,83. Mallikortin nopeus, noin 3 700-kertainen reaaliaika yhdellä GPU:lla, on tiedostossa 3 556 H100:lla mitattuna, ei tulostaulukon H200:lla.

Suomen tulos

Suomesta on vain yhtiön oma FLEURS-mittaus oletusdekoodauksella: WER 8,82, kun Parakeet TDT 0.6B v3:n tulos oli 11,19. Virheitä oli siis noin 21 % vähemmän. Suomi ei kuulu tulostaulukon seitsemän kielen monikieliseen sarjaan.

Tekijät kehottavat kokeilemaan mallia omilla äänitteillä, aksenteilla ja kielillä ennen kuin siihen luotetaan. Virheitä tulee heidän mukaansa enemmän kovassa melussa, päällekkäisessä puheessa ja harvinaisissa nimissä.

Versiot ja käyttöönotto

Mallista on viisi versiota: NeMo ja Transformers Nvidian GPU:ille, ONNX suorittimille, MLX Apple Silicon -Maceille, GGUF C++-ohjelmalle parakeet.cpp sekä Core ML Applen sovelluksiin. Transformers- ja GGUF-painoista puuttuu lisälohko. GGUF:llä meluisa ääni voi tekijöiden mukaan tunnistua hieman huonommin. Siivoustila on vain NeMo-, ONNX- ja MLX-versioissa.

Tekijöiden mukaan malli sopii myös kaupalliseen käyttöön. Lisenssi on CC BY 4.0, ja tekijät pyytävät mainitsemaan mallin nimellä ”Fluid Speech Pro by FluidVoice”. Hugging Facessa on selaimessa kokeiltava demo, joka käyttää Transformers-painoja, ja käyttöohjeet ovat mallikortissa.

Aiemmin aiheesta

Ilmoita virheestä tässä jutussa