Parakeet TDT v3
Mehrsprachiges Spracherkennungsmodell von NVIDIA (0,6B, CC-BY-4.0, 25 europäische Sprachen inkl. Deutsch) – sehr hoher Durchsatz mit Zeitstempeln und Interpunktion.
- Hersteller
- NVIDIA
- Lizenz
- CC-BY-4.0
- Betrieb
- Lokal (On-Premise)
- US-Hosting
- Herkunft
- USA (Santa Clara, CA)
- Architektur
- FastConformer-Encoder + TDT-Decoder (Token-and-Duration Transducer), SentencePiece 8.192 Token
- Veröffentlichung
- 01.08.2025
- Parameter gesamt
- 600 Mio.
- Aktive Parameter
- 600 Mio.
Überblick
Parakeet TDT 0.6B v3 ist ein mehrsprachiges Spracherkennungsmodell von NVIDIA, veröffentlicht im August 2025 zusammen mit dem offenen Trainingsdatensatz Granary. Es transkribiert 25 europäische Sprachen, darunter Deutsch, erkennt die Sprache automatisch und liefert Interpunktion, Groß-/Kleinschreibung sowie Zeitstempel auf Wort- und Segmentebene. Der Decoder ist ein Token-and-Duration Transducer (TDT), der beim Dekodieren Frames überspringen kann – daher der sehr hohe Durchsatz.
Use Cases
- Batch-Transkription großer deutscher und europäischer Audiobestände auf NVIDIA-GPUs
- Meeting- und Interview-Protokolle mit Wortzeitstempeln
- Untertitelung langer Aufnahmen (bis 24 Minuten in einem Durchlauf, mit Local Attention bis 3 Stunden)
- Mehrsprachige Callcenter- und Archivanwendungen innerhalb Europas
Stärken & Grenzen
Stärken
- Sehr hoher Durchsatz: RTFx über 6.200 im aktuellen Open ASR Leaderboard, gegenüber 471 bei Whisper large-v3
- Deutsch auf Common Voice mit 4,07 % WER das beste der hier erfassten Modelle
- Long-Form: im März-Stand des Leaderboards mit 10,72 % WER das genaueste Modell bei langen Aufnahmen
- Läuft dank ONNX-Exporten (onnx-asr, sherpa-onnx) und MLX-Port auch auf CPU und Apple Silicon
Grenzen
- Deutsch auf FLEURS mit 4,16 % WER schwächer als Whisper large-v3 (3,20 %) und Canary v2 (3,43 %)
- Nur 25 europäische Sprachen – keine asiatischen oder arabischen Sprachen
- Keine Übersetzung (dafür Canary v2)
- Das offizielle NeMo-Toolkit ist auf NVIDIA-GPUs unter Linux ausgelegt; CPU- und Mac-Betrieb nur über Community-Werkzeuge
Benchmarks: Quellenlage
Das CRM hat noch keine Benchmark-Keys für Spracherkennung; die Werte stehen deshalb hier. Niedrigere WER ist besser.
| Quelle | Messung | Wert |
|---|---|---|
| Open ASR Leaderboard (live, Stand Okt. 2026) | Deutsch, FLEURS / Common Voice | 4,16 % / 4,07 % WER |
| Open ASR Leaderboard (live) | Englisch, Ø 7 Datensätze | 6,51 % WER, RTFx 6.228 |
| Open ASR Leaderboard (Stand März 2026) | Englisch, Long-Form | 10,72 % WER |
| Artificial Analysis (AA-WER v2.2, englisch) | Together AI | 4,5 % |
| NVIDIA (Model Card) | Deutsch, FLEURS / CoVoST | 5,04 % / 4,84 % WER |
| NVIDIA (Model Card) | Ø 25 Sprachen, FLEURS | 11,97 % WER |
Hinweis: NVIDIAs eigene Werte sind ohne Interpunktion und Groß-/Kleinschreibung gemessen und weichen deshalb vom Leaderboard ab. Für kleinere Sprachen (Lettisch, Slowenisch, Griechisch, Maltesisch) liegt die FLEURS-Fehlerrate laut NVIDIA bei 20 % und mehr.
Gut zu wissen
- Lizenz: CC-BY-4.0 laut Hugging Face, kommerzielle Nutzung mit Namensnennung erlaubt. Die Model Card auf build.nvidia.com nennt abweichend die NVIDIA Open Model License.
- Hardware: mindestens 2 GB RAM zum Laden; NVIDIA Ampere, Hopper, Blackwell oder Volta.
- Lokale Alternativen zum NeMo-Toolkit: onnx-asr (laut Projekt RTFx 36 auf einer Ryzen-9800X3D-CPU), sherpa-onnx (int8), parakeet-mlx für Apple Silicon.
- Gehostet: NVIDIA bietet das Modell als NIM/Riva-Endpunkt auf build.nvidia.com an (Region nicht ausgewiesen), Together AI als US-Anbieter. Ein EU-Endpunkt ist nicht bekannt.
- Englische Variante: Parakeet TDT 0.6B v2 (nur Englisch, Mai 2025) liegt im englischen Leaderboard minimal vorn (6,43 % WER).