Pianissimo klarer en times dansk lyd på ét sekund i leverandørens test

Klang frigav den danske tale-til-tekst-model Pianissimo den 3. november 2026. I TechSavvys omtale af lanceringen gengives leverandørens måling på cirka 3.600 gange realtid, svarende til omtrent en times lyd på ét sekund. Klangs AI-chef Mattias Fält beskriver ambitionen sådan i samme omtale: »Nu har vi udviklet den model, vi selv mener, vi har brug for«.

Klangs forskningsartikel angiver en gennemsnitlig ordfejlrate på 11,83 procent på tre danske testsæt med over ti timers tale og mere end 10.000 tekstsegmenter. Klangs præcisering af udgivelsen fastslår, at målingen af en times lyd på under ét sekund blev udført på en H100-GPU, at de åbne modelvægte udkom under CC BY 4.0, og at lyd i onlinedemoen sendes til Klang, mens modellen kan køres lokalt.

Hastigheden gælder Klangs H100-test

Et sekund er en måling af gennemløb på kraftigt testudstyr, ikke en ventetid, som følger med modelvægtene på enhver maskine. Den samme lyd kan behandles langsommere på en bærbar computer eller telefon. Klangs resultat viser, at modellen kan behandle store mængder lyd hurtigt i den oplyste opsætning; det fastlægger ikke behandlingstiden for en lokal installation hos en podcaster eller udvikler.

Forskellen er også vigtig, fordi transskription af en færdig optagelse og løbende genkendelse af en samtale stiller forskellige krav. Ved en optagelse betyder samlet behandlingstid mest. Under en samtale betyder forsinkelsen, før ordene kommer frem, også noget. Et højt tal for gennemløb af optaget lyd kan derfor ikke alene beskrive oplevelsen ved direkte transskription.

Den danske model er finjusteret fra NVIDIAs Parakeet v3. Klang udgiver den desuden i ONNX-, GGUF-, MLX- og Core ML-formater, som retter sig mod forskellige former for lokal hardware. Det udvider mulighederne for at bruge modellen uden en ekstern transskriptionstjeneste, men format og udstyr er en del af den faktiske ydelse. Hastigheden fra leverandørens GPU-test kan ikke bruges som et fælles tal for alle disse opsætninger.

Ordfejlraten dækker flere slags dansk tale

Klangs gennemsnit bygger på taler fra Europa-Parlamentet, samtaler fra dansk tv og DanPASS, et talesprogsdatasæt fra Københavns Universitet. Materialet rummer dermed både forberedt tale og mere spontan samtale. Det er en væsentlig forskel for dansk transskription: en oplæst passage giver andre udfordringer end afbrudte sætninger og skift mellem talere.

Ordfejlrate tæller ord, som modellen erstatter, udelader eller indsætter i forhold til en referenceudskrift. Som rent regneeksempel svarer en fejlrate på 11,83 procent til knap 118 ordfejl pr. 1.000 referenceord. Det er en måde at forstå målet på, ikke en prognose for en konkret podcast. Navne, lydkvalitet, dialekt og samtalens form kan ændre resultatet for en bestemt optagelse.

Pianissimo fik den laveste gennemsnitlige fejlrate blandt modellerne i Klangs sammenligning. Gennemsnittet skjuler dog forskelle mellem testene: På DanPASS lå ElevenLabs Scribe v2 en smule bedre, mens Pianissimo samlet lå bedst i leverandørens opgørelse. Derfor giver den offentliggjorte måling et mere præcist billede af modellens dokumenterede styrke end en påstand om, at den altid er mest nøjagtig. Lanceringens fejl- og hastighedstal er Klangs egne resultater; en uafhængig gentagelse af testene fremgår ikke af de offentliggjorte oplysninger.

Åbne vægte og onlinedemo giver forskellige valg

De offentliggjorte modelvægte gør lokal dansk transskription mulig. Ved lokal kørsel kan optagelsen behandles på brugerens eget udstyr uden at blive sendt til Klang, hvis resten af arbejdsgangen også holdes lokal. Det kan være afgørende for et interview, hvor optagelsens indhold eller kildernes fortrolighed gør placeringen af lydfilen vigtig.

Onlinedemoen er en anden vej til den samme model. Her sendes lyd til Klang for at få en transskription tilbage. At modellen har åbne vægte, siger derfor ikke i sig selv noget om, hvor en optagelse behandles: Det afhænger af, om brugeren installerer modellen lokalt eller afleverer filen til demoen. Licensen giver mulighed for brug og ændringer, også kommercielt, med kreditering af ophav og licens; den beskriver ikke datahåndteringen i en bestemt tjeneste.

For udviklere gør de forskellige model­formater det muligt at tilpasse en integration til den hardware, løsningen skal køre på. For en redaktion eller podcastproduktion er den væsentlige forskel mere konkret: en lokal installation giver kontrol over lydens vej, mens demoen fjerner behovet for selv at sætte modellen op. Begge bruger den danske model, men de er forskellige behandlingsmiljøer.

Hvem kan bruge resultatet til hvad?

Lanceringen giver et brugbart udgangspunkt for dansk lydarbejde, hvis leverandørens målinger holdes adskilt fra resultatet på egne filer. Valget afhænger især af, om opgaven kræver en hurtig første udskrift, lokal behandling eller integration i et produkt:

• Podcastere kan bruge transskriptionen som udkast til en episode. Klangs gennemsnit siger noget om de offentliggjorte testsæt, men en udgivelsesklar tekst kræver stadig kontrol af blandt andet navne og utydelige passager.
• Interviewere får en lokal mulighed, når lydfilen skal blive i deres eget miljø. Bruger de i stedet onlinedemoen, sendes optagelsen til Klang. Det valg handler om lydens behandling, ikke om hvilket navn der står på modellen.
• Udviklere får åbne vægte og flere formater til dansk talegenkendelse. Leverandørens hastighedstal kan vise potentialet ved kraftig hardware, mens ydelsen i en konkret løsning afhænger af dens egen maskine og de optagelser, den skal håndtere.

Den umiddelbare konsekvens af udgivelsen er, at dansk transskription nu kan bygges omkring denne model uden at sende lyd til en onlinetjeneste. Hvor hurtigt og præcist det fungerer i almindeligt lydarbejde, bliver først klart for den enkelte opsætning, når modellen møder den hardware og de optagelser, den faktisk skal bruges med.

Læs også:

• Ret din Apple Podcasts-transskription – dansk understøttes allerede
• Grammarly eller LanguageTool? Dansk tekst gør standardvalget usikkert
• Cohere Embed 5 deler indeks mellem Pro og Fast – migreringen kræver egen test