Benchmark rozpoznávania slovenskej reči (ASR)

Toto je prvý špecializovaný benchmark rozpoznávania reči (STT) pre slovenčinu: 39 hodín nahrávok a 31 hodnotených modelov. Dostupné zdroje sa zameriavajú na angličtinu alebo na viacjazyčné datasety, kde slovenčina tvorí len zopár percent dát. Tento benchmark prináša priame porovnanie modelov na slovenských dátach naprieč rôznymi doménami.

Úloha: Automatické rozpoznávanie reči
Metrika: WER, CER, DSER
Modalita: Reč
Zverejnené: 26. júna 2026
Aktualizované: 11. novembra 2026
Modely: 31

Poradie podľa: WER, slovná chybovosť

Smer metriky: nižšie je lepšie
Zverejnené: 26. júna 2026
Počet modelov: 31 modelov

Najlepší model (Microsoft MAI-Transcribe-2) má približne 1 chybu na 15 slov referenčného prepisu.

1
6,54 %
2
8,14 %
3
9,15 %
4
10,94 %
5
13,29 %
6
14,38 %
7
16,22 %
8
17,94 %
9
18,28 %
10
18,35 %
11
21,64 %
12
21,76 %
13
24,33 %
14
24,36 %
15
24,63 %

Meria presnosť prepisu na úrovni slov. Je to počet chýb na úrovni slov (vloženia, vymazania a zámeny) vydelený počtom slov v referenčnom prepise. Nižšia hodnota je lepšia.

otvorené váhykomerčné API

Klikni na názov modelu a zvýrazníš ho vo všetkých metrikách.

Úplná tabuľka výsledkov

Pôvodné výsledky benchmarku: 31 modelov, 8 stĺpcov. Na mobile môžeš tabuľku posúvať vodorovne. Klikni na podčiarknutý názov stĺpca a graf nad tabuľkou sa zoradí podľa jeho hodnôt.

Benchmark rozpoznávania slovenskej reči (ASR): úplná tabuľka výsledkov
Model	Kategória		Vloženia	Vynechania	Zámeny			RTFx, rýchlosť
Microsoft MAI-Transcribe-2	komerčné API	6,54 %	2,21 %	1,10 %	3,23 %	3,29 %	10,52 %	—
Google Chirp 3	komerčné API	8,14 %	2,57 %	1,55 %	4,01 %	4,28 %	13,16 %	—
ElevenLabs Scribe v2	komerčné API	9,15 %	3,22 %	1,33 %	4,59 %	5,07 %	15,35 %	—
OpenAI GPT Realtime Whisper	komerčné API	10,94 %	1,95 %	2,73 %	6,25 %	5,33 %	21,16 %	—
Microsoft Azure Speech to Text	komerčné API	13,29 %	2,62 %	3,05 %	7,63 %	6,04 %	26,79 %	—
NVIDIA Canary 1B v2	otvorené váhy	14,38 %	1,67 %	4,25 %	8,46 %	6,88 %	17,65 %	171.3x
OpenAI Whisper Large v3	otvorené váhy	16,22 %	2,20 %	4,17 %	9,84 %	7,90 %	21,52 %	195.6x
Oruk Orukeet	otvorené váhy	17,94 %	2,29 %	4,21 %	11,45 %	7,90 %	39,62 %	699.5x
NVIDIA Nemotron 3.5 Transcribe 30B-A4B	otvorené váhy	18,28 %	2,19 %	5,94 %	10,15 %	10,17 %	30,05 %	23.7x
OpenAI Whisper Large v3 Turbo	otvorené váhy	18,35 %	2,74 %	4,85 %	10,76 %	9,11 %	27,84 %	506.9x
Meta Omnilingual ASR LLM 7B	otvorené váhy	21,64 %	4,46 %	9,95 %	7,23 %	16,20 %	36,90 %	25.6x
OpenAI GPT-4o Transcribe	komerčné API	21,76 %	1,03 %	13,27 %	7,46 %	15,11 %	24,80 %	—
NVIDIA Parakeet TDT 0.6B v3	otvorené váhy	24,33 %	1,99 %	6,14 %	16,20 %	10,75 %	30,02 %	707.7x
Meta Omnilingual ASR CTC 3B	otvorené váhy	24,36 %	1,09 %	14,00 %	9,27 %	15,88 %	61,99 %	429.5x
Meta Omnilingual ASR CTC 7B	otvorené váhy	24,63 %	1,18 %	14,94 %	8,51 %	16,81 %	63,35 %	225.3x
Meta MMS 1B All	otvorené váhy	24,69 %	3,13 %	7,67 %	13,89 %	12,40 %	62,21 %	241.7x
Meta Omnilingual ASR LLM 3B	otvorené váhy	25,78 %	4,13 %	12,72 %	8,92 %	18,90 %	59,14 %	27.5x
Meta Omnilingual ASR CTC 1B	otvorené váhy	26,79 %	1,26 %	15,14 %	10,38 %	17,04 %	61,96 %	745.0x
Meta Omnilingual ASR LLM 1B	otvorené váhy	26,94 %	3,86 %	14,49 %	8,59 %	20,32 %	57,21 %	28.1x
Microsoft VibeVoice ASR	otvorené váhy	28,15 %	5,01 %	3,62 %	19,52 %	12,29 %	34,81 %	24.1x
OpenAI Whisper Medium	otvorené váhy	29,23 %	4,02 %	5,90 %	19,31 %	13,04 %	31,82 %	228.1x
Meta SeamlessM4T v2 Large	otvorené váhy	29,35 %	2,17 %	16,33 %	10,85 %	21,54 %	31,49 %	167.1x
Meta Omnilingual ASR LLM 300M	otvorené váhy	29,50 %	4,16 %	12,96 %	12,38 %	19,10 %	59,64 %	28.8x
NVIDIA Nemotron 3.5 ASR Streaming 0.6B	otvorené váhy	35,37 %	2,83 %	8,11 %	24,44 %	14,14 %	55,96 %	598.9x
Meta Omnilingual ASR CTC 300M	otvorené váhy	37,03 %	1,75 %	15,63 %	19,64 %	18,27 %	70,30 %	1337.1x
ESPnet OWSM-CTC v4 1B	otvorené váhy	41,10 %	3,27 %	7,68 %	30,15 %	14,94 %	63,54 %	328.8x
OpenAI Whisper Small	otvorené váhy	47,87 %	7,49 %	6,88 %	33,49 %	19,27 %	44,44 %	516.7x
ESPnet OWSM-CTC v3.2 FT 1B	otvorené váhy	52,37 %	2,98 %	11,35 %	38,04 %	19,94 %	76,95 %	344.0x
ESPnet OWSM-CTC v3.1 1B	otvorené váhy	58,38 %	2,91 %	12,70 %	42,77 %	22,08 %	82,74 %	344.7x
OpenAI Whisper Base	otvorené váhy	76,23 %	11,66 %	7,98 %	56,60 %	31,45 %	134,02 %	893.3x
OpenAI Whisper Tiny	otvorené váhy	99,69 %	23,27 %	7,47 %	68,96 %	47,37 %	305,65 %	1231.5x

Čo treba vedieť

Modely sú hodnotené výlučne na slovenských rečových dátach. Podrobné rozdelenie zdrojov dát nižšie.
Dátum 26. júna 2026 označuje zverejnenie výsledkov na SLAIH. Dátumy hodnotenia jednotlivých modelov sa môžu líšiť.
Pomlčka znamená, že model pre danú úlohu nemá výsledok. Nejde o nulu.
Ak model v tabuľke chýba, jeho výsledok tu nie je uvedený. Neznamená to, že je horší.
Výsledky sa vzťahujú na tento benchmark a jeho metriku. Nevyjadrujú celkovú kvalitu modelu.

Diktát pre stroje

Čo znamená slovná chybovosť v praxi? Takto by podľa nameranej chybovosti vybraného modelu mohol vyzerať prepis telefonátu na zákaznícku linku (50 slov).

Microsoft MAI-Transcribe-2

1. miesto z 31

6,54 %slovná chybovosť (WER)

zamenené: 2
vynechané: 1
navyše: 1

Simulovaný prepis. Počty zamenených, vynechaných a pridaných slov zodpovedajú nameraným podielom týchto chýb prepočítaným na 50 slov. Označené slová vyberáme náhodne.

Datasety a metodika

Dáta na hodnotenie

Dataset	Hodiny	Zdroj
Parliament (SloPalSpeech)	11.9	Hugging Face
Municipality Hearings	11.7	KInIT
Telco Customer Service	3.8	KInIT & partners
Read Literature	4.5	KInIT
Common Voice SK	2.1	Mozilla Data Collective
TEDxSK and JumpSK Lectures	2.1	KEMT NLP
General Read Speech (Lili)	1.5	Mozilla Data Collective
Fleurs SK	1.5	Hugging Face
Spolu	38.9

Vysvetlenie metrík

WER (Word Error Rate): Meria presnosť prepisu na úrovni slov. Je to počet chýb na úrovni slov (vloženia, vymazania a zámeny) vydelený počtom slov v referenčnom prepise. Nižšia hodnota je lepšia.
Insertions: Podiel slov navyše, ktoré model pridal a ktoré nemajú náprotivok v referenčnom prepise, vzhľadom na počet slov v referenčnom prepise. Jedna z troch zložiek, z ktorých sa skladá WER. Nižšia hodnota je lepšia.
Deletions: Podiel slov z referenčného prepisu, ktoré model úplne vynechal, vzhľadom na počet slov v referenčnom prepise. Jedna z troch zložiek, z ktorých sa skladá WER. Nižšia hodnota je lepšia.
Substitutions: Podiel slov z referenčného prepisu, ktoré model nahradil nesprávnym slovom, vzhľadom na počet slov v referenčnom prepise. Jedna z troch zložiek, z ktorých sa skladá WER. Nižšia hodnota je lepšia.
CER (Character Error Rate): Meria presnosť prepisu na úrovni znakov. Je to počet chýb na úrovni znakov (vloženia, vymazania a zámeny) vydelený počtom znakov v referenčnom prepise. Je zhovievavejšia voči drobným rozdielom, ako sú koncovky slov, čo je užitočné pri jazyku s bohatým tvaroslovím, akým je slovenčina. Nižšia hodnota je lepšia.
DSER (Digit Sequence Error Rate): Meria presnosť prepisu celých číselných sekvencií (telefónne čísla, čísla účtov, ceny). Je to počet nesprávne prepísaných číselných sekvencií vydelený počtom číselných sekvencií v referenčnom prepise. Sekvencia sa počíta ako chybná, ak je v nej nesprávna čo i len jedna číslica. Nižšia hodnota je lepšia.
RTFx (Real-Time Factor): Meria rýchlosť prepisu ako pomer dĺžky nahrávky k času spracovania. RTFx 10x znamená, že model prepíše 10 sekúnd nahrávky za 1 sekundu. Vyššia hodnota znamená rýchlejšie spracovanie.

Publikácie

Použi výsledky

Dáta

Úplná tabuľka výsledkov, 31 riadkov, kódovanie UTF-8.

Stiahnuť CSV

Citácia

Pri použití výsledkov uveď benchmark aj pôvodnú publikáciu.

Benchmark rozpoznávania slovenskej reči (ASR). SLAIH – Slovak Language AI Hub, 26. júna 2026. https://slaih.sk/sk/benchmarks/speech-to-text