Whisper či omniASR po slovensky: spontánna reč mení víťaza

Na prepis spontánnej slovenčiny je z porovnávanej dvojice presnejšou voľbou Whisper large-v3: analýza slovenského benchmarku SLAIH uvádza pri ňom 18 % chybovosť na úrovni slov (WER), pri omniASR LLM 7B 29 %; na čítanej reči dosahujú oba modely približne 19 až 20 %. Pri spontánnej reči je rozdiel jedenásť percentuálnych bodov, kým pri čítanej samotná presnosť jasného víťaza neurčuje.

Ak prepisujete rozhovory, porady alebo voľne vedený podcast, Whisper large-v3 je preto rozumný východiskový výber. Pri pripravenom, čítanom prejave má zmysel rozhodnúť podľa dostupnej grafickej pamäte a spôsobu spracovania nahrávok. Záver o presnosti sa vzťahuje na tieto testované modely a typy reči, nie automaticky na menšie varianty ani na každú slovenskú nahrávku.

Čo presne porovnáva slovenský benchmark

Úvodné oznámenie SLAIH z júna 2026 opisovalo 354 hodín slovenskej reči, 22 hodnotených modelov a nahrávky z viacerých domén a podmienok. Stránka benchmarku aktualizovaná 16. októbra 2026 však uvádza 39 hodín nahrávok a 30 modelov. Tieto údaje patria rozdielnym opisom rozsahu; pôvodný počet hodín nemožno bez ďalšieho vysvetlenia pripísať aktuálne zobrazovanej hodnotenej zostave.

WER vyjadruje podiel vložených, vynechaných a zamenených slov voči referenčnému prepisu. Nižšia hodnota znamená menej takto počítaných chýb, ale nie nevyhnutne rovnako veľa času ušetreného pri úpravách textu. Pri slovenčine záleží aj na tom, či referenčný prepis zachová opakovanie slova a ako zapíše číslo, skratku alebo ohýbaný tvar. Rovnaké pravidlá normalizácie sa v jednom benchmarku používajú pre všetky modely, takže poradie v jeho rámci má väčší zmysel než porovnávanie percent prevzatých z rôznych testov.

Podstatné je členenie podľa typu reči. Čítaný text má obvykle pripravenú formuláciu, zatiaľ čo spontánna odpoveď môže obsahovať zaváhanie, opravu vlastnej vety či nečakanú zmenu slovníka. Pri hodnotení iba na čítaných korpusoch by odstup medzi porovnávanými modelmi zostal skrytý. Pri výbere pre redakčný rozhovor alebo pracovnú poradu je preto výsledok zo spontánnej reči užitočnejší než jediné celkové poradie.

Rozhovor, čítanie a hluk vedú k odlišnej voľbe

Pri bežnom rozhovore dáva náskok Whisper large-v3 dôvod začať ním, ak ho dostupný počítač zvládne. Ide o redakčné odporúčanie odvodené z výsledku pre spontánnu reč: menej chýb môže znamenať menej ručných opráv, no ich skutočný počet závisí od obsahu a požadovanej podoby prepisu. Mená ľudí, odborné výrazy alebo číselné údaje môžu vyžadovať pozornosť aj pri celkovo dobrom WER.

Pri nahovorenom článku či pripravenom komentári sú testované veľké modely na čítanej reči blízko seba. Ak je cieľom len prepis takéhoto zvuku, výsledok neposkytuje silný argument na obstaranie výkonnejšej grafickej karty pre jeden z nich. Menší omniASR môže byť dostupnejší z hľadiska pamäte, jeho presnosť však nemožno prevziať z výsledku modelu LLM 7B. To isté platí pre ľahšie varianty Whisper.

Pri podcaste so vzdialenými mikrofónmi alebo zázname z hlučnej miestnosti je dôležitá podobnosť skúšobnej vzorky so zvukom, ktorý budete prepisovať pravidelne. Benchmark pracuje aj so zvukom, ku ktorému boli pridané rôzne druhy rušenia vrátane hluku v pozadí a telefónneho šumu. Taká úprava zachytí časť akustických ťažkostí, ale neobsiahne všetky prejavy reálnej miestnosti: dozvuk, regionálne nárečia ani rečníkov hovoriacich cez seba. Pri takých nahrávkach nemožno publikované percentá považovať za predpoveď presnosti vlastného prepisu.

Ak má prepis slúžiť na vyhľadávanie v archíve, rozdiel v celkovom počte slovných chýb môže stačiť na prvý výber. Ak z neho vznikajú titulky alebo citácie, záleží aj na hraniciach viet a správnom znení konkrétnych výrokov. Pri zázname s množstvom telefónnych čísel či cien je zasa relevantná chyba v celej číselnej postupnosti: jediná nesprávna číslica môže zmeniť použiteľnosť údaja, hoci celkové WER vyzerá prijateľne.

Koľko grafickej pamäte potrebujú testované modely

Oficiálny prehľad Whisper uvádza pre veľký model približne 1,55 miliardy parametrov a asi 10 GB grafickej pamäte, pre medium približne 5 GB a pre turbo približne 6 GB; kód aj váhy sú pod licenciou MIT. Ide o orientačné nároky na beh modelu, nie o slovenské výsledky presnosti ľahších verzií. Rozdiel medzi tým, čo karta podľa označenia ponúka, a skutočne voľnou pamäťou môžu navyše vytvoriť ďalšie súčasne spustené úlohy.

Dokumentácia Omnilingual ASR uvádza pri CTC 300M približne 2 GiB grafickej pamäte a pri LLM 7B približne 17 GiB pri uvedenom meraní na A100 so vstupom dlhým 30 sekúnd; kód a modely sú pod licenciou Apache 2.0. Pamäťovo úsporný CTC 300M je teda iná prevádzková možnosť než LLM 7B zo slovenského porovnania. Jeho nižší nárok na kartu sám osebe nehovorí, akú chybovosť dosiahne na vašom rozhovore.

Pri počítači schopnom spustiť Whisper large-v3 sa rozhodnutie pre spontánnu slovenčinu opiera o priamo porovnanú presnosť. Ak je grafickej pamäte menej, praktická voľba sa presúva k menším modelom, no zároveň mizne možnosť preniesť na ne uvedený výsledok veľkých variantov. Lokálne spustenie môže ponechať zvuk vo vlastnej infraštruktúre; o jeho ďalšom ukladaní alebo odosielaní rozhoduje celý zvolený pracovný postup.

Pri dlhej nahrávke záleží aj na spracovaní vstupu

Bežná funkcia prepisu vo Whisper načíta celý zvukový súbor a interne ho spracúva v posuvných časových oknách. Pri omniASR treba rozlišovať konkrétny model a cestu inferencie: dokumentácia referenčného spracovania CTC a štandardných LLM modelov upozorňuje na krátke vstupy, no uvádza aj osobitné varianty Unlimited určené pre dlhý zvuk. Výsledok štandardného LLM 7B zo slovenského benchmarku netreba bez merania pripisovať variantu Unlimited.

Ak zvolená cesta vyžaduje krátke úseky, hodinová porada potrebuje rozdelenie zvuku a následné spojenie prepisu. Mechanický rez uprostred slova alebo odpovede môže zhoršiť zrozumiteľnosť na hranici úsekov; pomôže zachovať časové poradie a pri dôležitých pasážach hranice skontrolovať. Pri krátkom čítanom klipe je táto príprava malá, pri pravidelnom prepise porád sa stáva súčasťou pracovného času.

Výpočet pre tri objemy lokálneho prepisu

Nasleduje výpočet podľa zverejnených licencií a vstupných limitov, overených 29. októbra 2026. Vývojári neuvádzajú cenu za minútu lokálneho prepisu týmito modelmi: pri vlastnom behu sa podľa uvedených licencií neplatí poplatok za každú spracovanú minútu. Pre porovnanie prípravy vstupu predpokladajme úseky dlhé 30 sekúnd bez prekrytia. Počty úsekov sú aritmetický odhad, nie meranie rýchlosti alebo presnosti.

• Malý objem: Pri predpoklade 10 minút čítaného prejavu za mesiac vznikne 20 úsekov. Poplatok za minúty lokálneho použitia modelu vychádza pri Whisper aj omniASR na 0 €; výpočet je v eurách, bez hardvéru, energie a daní.
• Stredný objem: Pri 60 minútach rozhovorov mesačne ide o 120 úsekov. Poplatok za minúty lokálneho použitia zostáva pri oboch modeloch 0 €; pri rozhodovaní o testovaných veľkých variantoch má väčšiu váhu rozdiel v presnosti spontánnej reči a dostupná pamäť.
• Veľký objem: Pri 300 minútach porád alebo podcastov mesačne ide o 600 úsekov. Poplatok za minúty lokálneho použitia je opäť 0 € pri oboch modeloch, no pri postupe s krátkymi vstupmi pribúda práca s delením a spájaním záznamu.

Nulový poplatok za minúty nie je nulová cena prevádzky. Na jej výpočet v eurách chýba cena alebo nájom konkrétneho počítača, spotreba energie a čas spracovania na zvolenom hardvéri; tieto údaje nemožno spoľahlivo odvodiť iba z modelových kariet. Pri voľbe pre slovenský zvuk tak najprv rozhoduje typ reči, potom pamäť a napokon náklady konkrétneho spôsobu spustenia.

Prečítajte si aj:

• Claude Code či GitHub Copilot: víťaz sa mení podľa typu úlohy
• PostgreSQL či MySQL: rýchlejší výsledok sa mení podľa typu dotazu
• pCloud či Tresorit: rýchlosť a súkromie nemajú jedného víťaza