CzechSpeech: česká řeč na text přímo v zařízení
Whisper large-v3-turbo doladěný na české řeči na superpočítači LUMI. Řeč ze Sněmovny, čtenou řeč i řeč v hluku přepisuje přesněji než otevřené modely, které jsme zkoušeli. Po kvantizaci na 4 bity se vejde do 452 MiB a běží offline v notebooku i v obyčejném telefonu; zvuk zůstává v paměti zařízení.
Přesnost proti otevřeným modelům
Chybovost slov (WER, nižší je lepší) na stejných úsecích, se stejnou normalizací textu a stejným dekódováním (greedy) pro všechny modely; notebook s RTX 4050. Čísla: podíl správně přepsaných číselných údajů. Právní termíny: podíl správně přepsaných termínů z našeho seznamu. Obojí na sadě ze Sněmovny.
| model | parametry | Sněmovna | FLEURS | hluk | čísla | právní termíny |
|---|---|---|---|---|---|---|
| CzechSpeech (náš) | 0,81 mld. | 1,8 % | 7,3 % | 6,5 % | 99,3 % | 99,5 % |
| NVIDIA Canary-1b-v2 | 0,98 mld. | 7,5 % | 8,4 % | 22,4 % | 94,8 % | 94,2 % |
| Whisper large-v3 doladěný na českém Common Voice 13 | 1,55 mld. | 8,0 % | 9,6 % | 29,1 % | – | – |
| Whisper large-v3 | 1,55 mld. | 8,1 % | 10,2 % | 27,8 % | – | – |
| Whisper large-v3-turbo (náš výchozí model) | 0,81 mld. | 9,5 % | 11,4 % | 29,5 % | 96,5 % | 96,3 % |
| NVIDIA Parakeet-TDT-0.6b-v3 | 0,6 mld. | 10,3 % | 11,9 % | 25,8 % | 94,6 % | 92,1 % |
Řeč ze Sněmovny je doména tréninku CzechSpeech (jiné úseky než v testu) a trénovací část FLEURS byla v tréninku také. Nejméně zvýhodněné srovnání je proto FLEURS: 7,3 % proti 8,4 % u Canary-1b-v2. –: neměřeno.
Velikost, paměť a rychlost
| zařízení | soubor | velikost | paměť | rychlost | WER Sněmovna / FLEURS / hluk |
|---|---|---|---|---|---|
| Telefon Pixel 9a, jen procesor, 4 vlákna | 4 bity (q4_0) | 452 MiB | 0,83 GB RAM | 6,9 s řeči za 2,7 s | 1,9 / 7,7 / 6,8 % |
| Notebook s RTX 4050 (6 GB) | 5 bitů (q5_0) | 547 MiB | 0,89 GB VRAM | 0,33 s na úsek | 1,8 / 7,4 / 6,6 % |
Paměť: špička celé aplikace v telefonu, přírůstek grafické paměti na notebooku. Rychlost notebooku: medián na úsek ze Sněmovny, asi 25× rychleji než reálný čas. Kvantizace GPTQ s českými kalibračními daty: 5 bitů proti 8 bitům nic neztrácí, 4 bity ztrácí 0,1 až 0,3 bodu WER. V telefonu kodér zpracuje jen nahranou řeč místo pevného 30sekundového okna a model je v paměti jen během nahrávání a přepisu (načte se asi za 1 s souběžně s nahráváním). WER 4bitového souboru je změřená na notebooku se stejným souborem. Rychlost telefonu: whisper.cpp, opakovaný běh; první přepis po spuštění aplikace je pomalejší.
Zvuk neopouští zařízení
- Zvuk se zpracuje jen v paměti zařízení a hned po přepisu se přepíše nulami. Nic se neukládá na disk, nic neodchází do cloudu.
- Přepis zůstává v zařízení.
- Žádná analýza emocí ani tónu hlasu.
Google na stejném telefonu
Na Pixelu 9a 3. listopadu 2026, přes veřejné API Androidu: systémový offline rozpoznávač nabízí 37 jazyků včetně polštiny a ruštiny, ale ne češtinu, a služba Speech Services by Google (přes ni diktuje Gboard) v režimu offline odpoví pro češtinu „jazyk nepodporován“. Anglická věta offline prošla správně. Český diktát Googlu na tomto telefonu tedy jde přes cloud.
Jak jsme měřili
- Sněmovna: testovací část ParCzech4Speech, 729 úseků (106 min): náhodné úseky, úseky s čísly a úseky s právními termíny.
- FLEURS: česká testovací sada, 723 vět (147 min).
- Hluk: úseky ze Sněmovny s dozvukem a šumem davu při odstupu 10 dB.
- CzechSpeech ve whisper.cpp bez časových značek (8bitový soubor v tabulce přesnosti); Whisper large-v3 a jeho česky doladěná verze ve whisper.cpp; Canary-1b-v2 a Parakeet-TDT-0.6b-v3 v ONNX (fp32).
Licence a vydání
- Váhy na Hugging Face: moravianai/CzechSpeech (transformers, whisper.cpp q5_0 a q4_0)
- Duální licence: zdarma pro nekomerční použití podle CC BY-NC 4.0; komerční licence od Moravian AI: info@moravian.ai
- Základní model: Whisper large-v3-turbo (OpenAI, MIT). Doladěno na české řeči z ParCzech4Speech, YODAS, FLEURS a VoxPopuli na superpočítači LUMI.