AI Aulis

AI-NYHETER PÅ SVENSKA · 15 november 2026

De viktigaste AI-nyheterna varje morgon. AI skriver och granskar artiklarna mot originalkällorna – kontrollera viktiga uppgifter i källorna.

26 artiklar · nästa nummer i morgon bitti · Så görs tidningen →

← Numret 15 november 2026Tidningen

Talmodellen Fluid Speech Pro med öppna vikter känner igen 25 språk, även finska

AI-genererat innehållSkriven av AI

github.com, huggingface.co · 6 källor · Källornas publiceringsdatum: 13 november 2026 · Publiceringstidpunkten är okänd för vissa källor

FluidVoice har släppt en taligenkänningsmodell för 25 europeiska språk som kan laddas ner från Hugging Face. Enligt företagets eget meddelande är modellen den näst mest träffsäkra med öppna vikter på Open ASR Leaderboard i engelska tester.

FluidVoice-teamet publicerade det fullständiga modellkortet för Fluid Speech Pro samt ONNX- och GGUF-versioner på Hugging Face den 13 november. Modellen omvandlar tal till text, identifierar själv talets språk och lägger till skiljetecken och versaler.

Modellen bygger på Nvidias Parakeet TDT 0.6B v3 och har 0,63 miljarder parametrar. Arkitekturen är Parakeets, men ett litet extrablock har lagts till i ljudbehandlingens första steg. Ett valfritt rensningsläge (clean mode) tar bort upprepade ord och utfyllnadsord som ”um” och ”uh”. Utvecklarna avråder från att använda det när en ordagrann transkription behövs.

Träffsäkerhet enligt företagets egna mätningar

Enligt FluidVoice är modellen tvåa bland modellerna med öppna vikter på Hugging Faces Open ASR Leaderboard. Måttet är ordfelfrekvens (WER), alltså andelen felaktigt igenkända ord; lägre är bättre. Siffrorna i topplistan har körts med strålsökning (4 strålar), som ger ungefär 0,6 procent färre fel än modellens standardavkodning, uppger utvecklarna.

Tabellen visar de fyra bäst placerade modellerna i modellkortets jämförelse och basmodellen Parakeet, som ligger på åttonde plats:

Modell Parametrar Genomsnittlig WER
Musci-ASR 2 mdr 5,70
Fluid Speech Pro 0,63 mdr 6,06
NVIDIA Nemotron 3.5 Transcribe 30 mdr 6,13
Qwen3-ASR 1,7 mdr 6,15
NVIDIA Parakeet TDT 0.6B v3 0,6 mdr 7,04

Källa: FluidVoices modellkort; genomsnitt av sju offentliga och två privata engelskspråkiga testdataset.

Tabellen säger inget om hur modellen fungerar på finska. Placeringen bygger på företagets modellkort, och ingen oberoende bekräftelse har presenterats. I kodförrådets utvärderingsfil från oktober redovisade företaget resultat som det själv kört på en H100-GPU. Där konstaterade företaget att topplistans förvaltares egen körning ersätter dem. Filens delresultat avviker något från modellkortet. I brustestet URGENT 2024 är siffran till exempel 9,80 mot 9,83 i modellkortet. Modellkortets hastighet, ungefär 3 700 gånger realtid på en GPU, är 3 556 i filen, uppmätt på H100 och inte på topplistans H200.

Resultatet för finska

För finska finns bara företagets egen FLEURS-mätning med standardavkodning: WER 8,82 mot 11,19 för Parakeet TDT 0.6B v3. Det innebär ungefär 21 procent färre fel. Finska ingår inte i topplistans flerspråkiga serie med sju språk.

Utvecklarna uppmanar användare att testa modellen med egna inspelningar, accenter och språk innan de litar på den. Fler fel uppstår vid kraftigt buller, överlappande tal och ovanliga namn, uppger de.

Versioner och installation

Modellen finns i fem versioner: NeMo och Transformers för Nvidias GPU:er, ONNX för processorer, MLX för Mac-datorer med Apple Silicon, GGUF för C++-programmet parakeet.cpp samt Core ML för Apples appar. Transformers- och GGUF-vikterna saknar extrablocket. Med GGUF kan bullrigt ljud kännas igen något sämre, enligt utvecklarna. Rensningsläget finns bara i NeMo-, ONNX- och MLX-versionerna.

Modellen kan även användas kommersiellt, uppger utvecklarna. Licensen är CC BY 4.0, och de ber att modellen anges som ”Fluid Speech Pro by FluidVoice”. På Hugging Face finns en demo som kan testas i webbläsaren och som använder Transformers-vikterna. Bruksanvisningar finns i modellkortet.

Tidigare om ämnet

Anmäl ett fel i artikeln