Skip to content
TheChatArchiveThe Chat Archive
Geminigemini-2.0-flash-grounding· GoogleHugging Face LMArena Search Arena 24K

jaki model opensource byłby najlepszy do transkrypcji z pliku audio w języku polskim

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Geminigemini-2.0-flash-grounding’s answer.
  1. User

    jaki model opensource byłby najlepszy do transkrypcji z pliku audio w języku polskim

  2. Gemini Assistant

    Aby znaleźć najlepszy model open-source do transkrypcji plików audio w języku polskim, warto rozważyć kilka opcji. Przy wyborze, należy wziąć pod uwagę takie czynniki, jak dokładność transkrypcji dla języka polskiego, szybkość działania, dostępność zasobów i dokumentacji oraz łatwość integracji z istniejącymi systemami.

    Oto kilka popularnych modeli open-source, które możesz rozważyć:

    1. Whisper od OpenAI:
    • Uważany za jeden z najdokładniejszych modeli automatycznego rozpoznawania mowy (ASR) dostępnych obecnie.
    • Trenowany na 680 000 godzin danych audio z Internetu[1][2].
    • Obsługuje wiele języków, w tym język polski[1][3][5].
    • Dostępnych jest kilka wariantów modelu (tiny, base, small, medium, large), różniących się rozmiarem i wymaganiami obliczeniowymi[1]. Im większy model, tym potencjalnie wyższa dokładność, ale też większe wymagania sprzętowe.
    • Można go zainstalować i uruchomić lokalnie lub korzystać z API OpenAI (które jest płatne).
    • Według testów ElevenLabs, Whisper wypada gorzej niż Google Gemini i ElevenLabs Scribe pod względem Word Error Rate (WER) dla języka polskiego.
    1. Vosk API:
    • Offline'owy toolkit do rozpoznawania mowy[1].
    • Obsługuje ponad 20 języków, w tym polski[1].
    • Małe modele językowe (około 50 MB, ale niektóre większe modele mogą mieć do 1.4GB)[1].
    • Działa na różnych platformach, takich jak Android, iOS, Raspberry Pi i serwery[8].
    • Posiada bindingi dla różnych języków programowania, w tym Python, Java, C# i Node.js[8].
    1. DeepSpeech od Mozilli:
    • Open-source'owy silnik zamiany mowy na tekst[1][2][10].
    • Można go trenować i implementować za pomocą TensorFlow[1].
    • Dostępny kod źródłowy na GitHub[1].
    • W zestawie pre-trenowany model dla języka angielskiego, ale można go dostosować do innych języków[2].

    Inne potencjalne opcje:

    • Kaldi: Toolkit do rozpoznawania mowy.
    • Coqui STT: Silnik STT oparty na DeepSpeech.

    Przy wyborze konkretnego modelu, warto przetestować kilka z nich na swoich plikach audio, aby ocenić, który daje najlepsze wyniki dla konkretnego przypadku użycia. Należy również uwzględnić dostępność zasobów obliczeniowych oraz łatwość integracji z istniejącym oprogramowaniem.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.