Pe 200 de înregistrări cu vorbire clară în limba română, Transcrierea a greșit 3,1 % din cuvinte. Whisper large-v3, modelul deschis pe care rulează multe instrumente gratuite, a greșit 8,3 %, adică de 2,7 ori mai mult. Gemini de la Google a avut 3,9 % în varianta Flash și 2,8 % în varianta Pro. Am făcut testul pe 14 octombrie 2026, în șapte limbi; mai jos găsești toate rezultatele și metoda exactă.

Ce înseamnă 3,1 % cuvinte greșite

Măsura se numește WER (word error rate): proporția de cuvinte pe care un om trebuie să le corecteze, să le șteargă sau să le adauge ca transcrierea să se potrivească cu originalul. 3,1 % înseamnă cam 3 corecturi la 100 de cuvinte. Cu cât e mai mic, cu atât mai bine.

În română, o terminație greșită sau un articol hotărât lipsă contează ca un cuvânt greșit întreg: „deciziei” în loc de „decizia” e o eroare, chiar dacă propoziția rămâne de înțeles. La fel, „și” scris fără diacritice contează ca greșeală.

Rezultatele pentru română

Instrument Cuvinte greșite Interval 95 %
Transcrierea 3,1 % 2,4–3,8 %
Whisper large-v3 8,3 % 7,1–9,7 %
Gemini Flash 3,9 % 2,7–5,3 %
Gemini Pro 2,8 % 2,2–3,6 %

Diferența față de Whisper e mare și sigură: în toate cele 1.000 de reeșantionări (vezi metoda mai jos), Whisper a avut mai multe erori. Față de Gemini Flash am avut mai puține erori în română. Cu Gemini Pro suntem la egalitate: diferența e mai mică decât incertitudinea măsurătorii.

Toate cele șapte limbi

Am folosit aceeași metodă și același număr de înregistrări pentru toate limbile site-urilor noastre. Proporția de cuvinte greșite, mai mic e mai bine:

Limba Înregistrări Transcrierea Whisper large-v3 Gemini Flash Gemini Pro
slovenă 195 8,7 % 20,2 % 8,1 % 7,5 %
croată 199 5,5 % 10,9 % 5,6 % 4,8 %
cehă 192 4,3 % 11,5 % 3,4 % 3,4 %
slovacă 200 2,8 % 9,5 % 3,2 % 2,7 %
poloneză 199 3,9 % 4,9 % 3,1 % 2,5 %
română 200 3,1 % 8,3 % 3,9 % 2,8 %
bulgară 197 4,3 % 12,1 % 6,2 % 4,6 %

Pe scurt: în șase limbi, Transcrierea face de 2–3 ori mai puține erori decât Whisper; la poloneză diferența e mai mică (3,9 % față de 4,9 %). Cu Gemini Flash suntem la egalitate în slovenă, croată și slovacă, mai buni în bulgară și română, iar Flash e mai bun în cehă și poloneză. Gemini Pro e mai bun cu aproximativ un punct în slovenă, croată, cehă și poloneză; în celelalte limbi e egalitate.

Compară instrumentele în cadrul aceleiași limbi, nu limbile între ele: înregistrările în slovenă, de exemplu, au fost cele mai grele pentru toate instrumentele.

Ce nu spune acest test

  • Înregistrările sunt vorbire citită clar. Un singur vorbitor, cameră liniștită, propoziții din Wikipedia. Ședințele cu mai mulți oameni, convorbirile telefonice, zgomotul și accentele regionale puternice aduc mai multe erori tuturor instrumentelor. Cât de multe, testul nu măsoară.
  • Numerele scrise altfel contează ca eroare. „2026” și „două mii douăzeci și șase” sunt cuvinte diferite în test. Asta crește scorul tuturor instrumentelor la fel.
  • Precizia nu e totul. O transcriere cu vorbitori marcați, marcaje de timp și subtitrări SRT economisește mai multă muncă decât un punct de erori în minus, dacă oricum editezi textul.

Dacă vrei să știi cum se descurcă un instrument cu înregistrările tale, ia 2–3 minute dintr-o înregistrare tipică, transcrie-le și numără corecturile. La Transcrierea, primul fișier de până la 30 de minute e gratuit.

Cum am testat

  • Înregistrări: partea de test a setului FLEURS (Google, licență CC BY 4.0), în care vorbitori nativi citesc propoziții din Wikipedia. Pentru fiecare limbă am ales cu o funcție hash fixă circa 200 de înregistrări, în total 33–41 de minute de audio pe limbă. Pentru română, 200 de înregistrări, adică 36 de minute.
  • Transcrierea: cu aceleași setări ca în aplicație, adică modelul ElevenLabs Scribe v2, pe care îl folosim pentru recunoașterea vorbirii.
  • Whisper large-v3: modelul deschis al OpenAI, rulat cu faster-whisper, beam 5.
  • Gemini: prin API-ul Google, versiunile gemini-3.8-flash și gemini-3.1-pro-preview.
  • Scor: totul cu litere mici, fără punctuație, cu ş/ţ (sedilă) și ș/ț (virgulă) socotite la fel, apoi proporția de cuvinte greșite pe toate înregistrările la un loc. Intervalul arată unde a căzut rezultatul în 95 % din 1.000 de reeșantionări ale înregistrărilor.
  • Data: 14 octombrie 2026. Unii vorbitori au reluat propoziția de la capăt; asta aduce aceleași erori tuturor instrumentelor.

Toate transcrierile și scriptul pentru repetarea testului sunt păstrate la noi, așa că putem repeta testul când modelele se schimbă.