#tale-til-tekst

Indlæg på X2Q med emnet tale-til-tekst. Opdateres i takt med, at nye indlæg publiceres.

• Jul 2, 2026

  Fine-tuning af Whisper til danske telefonopkald: en LoRA-obduktion (2026)

  Fine-tunede whisper-large-v3 på CoRal-project/coral-v3 (dansk tale, telefon-kodek-augmenteret) med LoRA. Træningstabet sad fast omkring 35-40 tre forsøg i træk — så ud som om large-v3 selv var ustabil under LoRA. Det var det ikke: warmup-skemaet var for langt i forhold til, hvor langt træningen rent faktisk kørte. Rettet, og modellen halverede næsten WER på tilbageholdt dansk tale sammenlignet med den utrænede base. Så fandt en systematisk gennemgang af 30 rigtige opkald en reel fabrikationsrate, som benchmark-tallet ikke viste — udgivet alligevel, med et ærligt modelkort.

• Jun 24, 2026

  Fem alternativer til pyannote: speaker diarization til telefonopkald (2026)

  Pyannote-audio 3.1 virker, men kræver en Hugging Face-token og tager 5 sekunder pr. opkald. Benchmark af fem alternativer på 8 rigtige 2-parts telefonopkald: WeSpeaker + spectral clustering (0,2 s), multi-scale AHC (0,6 s), PLDA + spectral (0,3 s), Silero VAD + spectral (2,1 s) og cross-call gallery nearest-neighbour (0,2 s). Silero VAD-tilgangen vandt med 76,1 % agreement og er 2,4× hurtigere. Overraskelse: alle fem kollapserede på mono-kald — pyannote forbliver i produktion.

• Jun 10, 2026

  Transskribering af 33.000 danske voicelogs på hjemme-GPU'er — den lokale pipeline (2026)

  Forretningstelefonsamtaler var blevet optaget i 13 måneder — ~33.000 danske mp3-filer, ~570 timer 32 kbps telefonlyd. Opgaven: transskribér alt, navngiv talerne, resumér pr. opkald/dag/uge, gør det browsbart på en hjemmeside, og gør det lokalt uden LLM-API. Dette er bygget: et benchmark af danske ASR-modeller, en dual-model + Claude-fusions-pipeline, 'phone-first' taleridentifikation fra metadata, selvhelende infrastruktur over to GPU'er, og Claude Code-subagenter som det (API-løse) resumélag. Plus hvad det lærer om at anvende den samme pipeline i en kundeservicefunktion.

• Jun 10, 2026

  Whisper-backend-dyst: faster-whisper vs HF Transformers vs whisper.cpp (2026)

  Tre måder at køre Whisper på — faster-whisper (CTranslate2), Hugging Face Transformers (batched, SDPA) og whisper.cpp (ggml) — benchmarket på rigtig dansk telefonlyd på et RTX 4070 Ti. faster-whisper + large-v3-turbo er hurtigst samlet (~56× realtid); whisper.cpp CUDA er tæt på med en brøkdel af VRAM'en og matcher endda GPU-hastighed på CPU for korte filer. Fulde tabeller for hastighed (RTF), VRAM og konsensus-WER-kvalitet, plus en anbefaling pr. use case.