Vosk (Deutsch)
Offline-Spracherkennung von Alpha Cephei für Deutsch (Apache-2.0) – Kaldi-Modelle von 45 MB für Raspberry Pi bis 4,4 GB für Server, mit anpassbarem Vokabular.
- Hersteller
- Alpha Cephei
- Lizenz
- Apache-2.0
- Betrieb
- Lokal (On-Premise)
- Architektur
- Kaldi nnet3-TDNN (Chain-Modell) mit i-Vectors und HCLG-Decodiergraph
Überblick
Vosk ist ein quelloffenes Offline-Spracherkennungs-Toolkit von Alpha Cephei. Es beruht auf dem Kaldi-Framework und bietet für über 20 Sprachen fertige Modelle, die vollständig lokal laufen – vom Raspberry Pi bis zum Server. Diese Card fasst die deutschen Modelle zusammen; die Metadaten beziehen sich auf das große Modell vosk-model-de-0.21.
| Modell | Größe | Einsatz laut Alpha Cephei | Lizenz |
|---|---|---|---|
| vosk-model-de-0.21 | 1,9 GB | Telefonie und Server | Apache-2.0 |
| vosk-model-de-tuda-0.6-900k | 4,4 GB | Neuestes großes Breitbandmodell (Tuda-DE-Projekt) | Apache-2.0 |
| vosk-model-small-de-0.15 | 45 MB | Android und Raspberry Pi | Apache-2.0 |
| vosk-recasepunc-de-0.21 | 1,1 GB | Ergänzt Interpunktion und Groß-/Kleinschreibung | Apache-2.0 |
Use Cases
- Sprachsteuerung mit festem oder zur Laufzeit angepasstem Vokabular (Befehle, Produktnamen, Formularfelder)
- Offline-Spracherkennung auf schwacher Hardware und Mobilgeräten
- Telefonie-Anwendungen und IVR-Systeme
- Streaming-Erkennung mit sofortigen Teilergebnissen
Stärken & Grenzen
Stärken
- Extrem ressourcenschonend: das kleine deutsche Modell hat 45 MB und braucht rund 300 MB RAM
- Vokabular lässt sich bei kleinen Modellen zur Laufzeit einschränken – hilfreich für Befehlserkennung mit hoher Trefferquote
- Streaming-API, Sprecheridentifikation (eigenes Modell), Bindings für Python, Java, C#, Node, Go, Rust und weitere
- Seit Jahren stabil im Einsatz, vollständig offline
Grenzen
- Bei freier Rede deutlich ungenauer als moderne Transformer-Modelle: auf Common Voice 12,82 % WER (de-0.21) gegenüber 4,79 % bei Whisper large-v3; bei Podcasts 24 % WER
- Ohne Zusatzmodell keine Interpunktion und Großschreibung
- Die deutschen Modelle sind nicht mehr aktuell: neuere Zipformer-Modelle von Alpha Cephei gibt es bisher nur für Russisch und wenige weitere Sprachen
- Die letzte Version auf PyPI (0.3.45) stammt von Dezember 2022, auf GitHub von April 2024 (0.3.50)
Benchmarks: Quellenlage
Das CRM hat noch keine Benchmark-Keys für Spracherkennung; die Werte stehen deshalb hier. Alle Zahlen sind Herstellerangaben von alphacephei.com, die Messmethodik ist nicht beschrieben. Niedrigere WER ist besser.
| Modell | Tuda-de test | Podcast | Common Voice test | MLS | mTEDx |
|---|---|---|---|---|---|
| vosk-model-de-0.21 | 9,83 % | 24,00 % | 12,82 % | 12,42 % | 33,26 % |
| vosk-model-de-tuda-0.6-900k | 9,48 % | 25,82 % | 4,97 % | 11,01 % | 35,20 % |
| vosk-model-small-de-0.15 | 13,75 % | 30,67 % | – | – | – |
Vosk ist weder im Open ASR Leaderboard noch bei Artificial Analysis gelistet.
Gut zu wissen
- Lizenz: Vosk-API und die genannten deutschen Modelle unter Apache-2.0. Das ältere
vosk-model-small-de-zamia-0.3steht unter LGPL-3.0 und wird von Alpha Cephei nicht mehr empfohlen. - Architektur: Kaldi nnet3-TDNN mit i-Vectors; große Modelle nutzen einen statischen Decodiergraphen, kleine erlauben dynamisches Vokabular.
- Parameterzahl: Für Kaldi-Modelle nicht ausgewiesen; maßgeblich sind Dateigröße und RAM-Bedarf (große Modelle bis 16 GB RAM).
- Alternativen: Für hohe Genauigkeit bei freier Rede Whisper large-v3 oder Parakeet TDT v3; für Echtzeit auf schwacher Hardware Moonshine Streaming Small-de.