Clasament și cifre

Recunoașterea vorbirii

FLEURS română și rusă

Model: Nemotron 3.5 ASR streaming, 0,6 miliarde de parametri. Eșantion: 200 de enunțuri per limbă din setul de test, aleator uniform, sămânța 20260831. Decodare pe drumul din producție — cache-aware, în flux — nu decodare offline pe fișier întreg. Hardware: Mac M3 Max, recunoașterea prin MLX pe GPU-ul integrat, fără placă dedicată.

Normalizarea textului reparată la 5 septembrie 2026 (grupuri de mii, ore): 26,31% → 26,15% pe română, 9,30% → 9,15% pe rusă. Aceleași transcrieri, rescorate.

Patru geometrii independente, toate cu cifra din fișa NVIDIA în intervalul nostru de încredere. Cifra noastră nu e un test stricat — e comportamentul cunoscut al modelului, coerent cu fișa producătorului. La 80 ms modelul abia ține pasul cu timpul real (1,51×), deci două sesiuni simultane n-ar mai încăpea pe mașină. Modelul a fost antrenat puțin pe română: fișa NVIDIA o pune în treapta «broad-coverage», a doua din trei, iar FLEURS e declarat în datele lui de antrenare. Cifra noastră e coerentă cu fișa, dar poate fi optimistă; o verificăm cu o probă de memorare.

Autodetecția limbii costă +1,6 puncte (27,71% față de 26,15%; diferența în perechi, pe aceleași enunțuri: +1,58 puncte, IC 95% +0,77…+2,49). De aceea ținem limba fixată oriunde se poate deduce înainte de prima tură; autodetecția rămâne rezervă.

Rusa, aceeași conductă, aceeași rulare

Româna e de 2,9× mai proastă decât rusa în același model, pe același hardware, în aceeași rulare. Nu e o impresie preluată din fișa cuiva. Agentul nostru bilingv nu are două limbi egale; are o limbă bună și una slabă. Aceeași rezervă de memorare se aplică și la rusă.

Comparație de piață

Cu condițiile de măsurare alături

Coloana „cum" e partea care face tabelul citibil. Un model care primește fișierul întreg, offline, într-un centru de date, nu rezolvă aceeași problemă ca unul care scoate text în timp ce omul încă vorbește, pe un Mac de birou.

Plafonul offline, local, pe aceleași 200 de enunțuri

Măsurat de noi, cu aceeași normalizare ca Grai. Offline: modelul primește enunțul întreg, nu scoate text în timp ce omul vorbește — deci nu se poate pune în locul recunoașterii în flux.

Cine ne bate pe română, pe mașina noastră, e un model românesc deschis, offline. Diferența de ~19 puncte e taxa de a scoate text în flux; de aceea următorul pas e distilarea lui într-un model mic care merge în flux, nu reglajul lui Nemotron.

Ce avem în schimb, și ei nu

• Rulează local, fără ca vocea clientului să părăsească mașina.
• În flux, cu text parțial în timp ce omul vorbește — nu după ce termină.
• Gratuit la rulare, fără cost per minut.
• Pe hardware de birou, nu pe un nod cu accelerator dedicat.

Un singur furnizor din listă oferă și on-prem cu română în flux — deci e singurul care ne atacă direct argumentul. Contra lui, argumentul rămâne costul și controlul, nu acuratețea.

Unde se pierde

Cifrele. Exact partea care contează la telefon.

Împărțind cele 200 de enunțuri după prezența cifrelor în referință:

Un enunț cu cifre e cu 4,6 puncte mai prost normalizat și cu 11,5 puncte mai prost brut. Exemple reale din rulare:

Orice normalizare care scrie numerele în litere înainte de scorare ne face să arătăm mai bine decât suntem la telefon. De aceea raportăm și brut. Pentru un agent care ia numere de telefon, ore, prețuri și date, partea cea mai importantă a limbii e și cea mai stricată. De ce contează normalizarea →

Latență

De la ultimul tău sunet, la primul al lui

Două rulări diferite, cu două întrebări diferite. Nu se adună între ele.

Cu umplutura pornită — ce aude omul

n=29 replici, p50, măsurat la client, de la ultimul eșantion de vorbire al omului.

Cu umplutura oprită — unde se duc milisecundele

n=17 replici, p50, gpt-5.4-nano. Fiecare segment are două capete observate, nu calculate — suma celor șase segmente dă totalul cu abatere sub o jumătate de milisecundă.

Cei 92 ms de recunoaștere sunt golirea după ce omul tace; textul parțial în timpul vorbirii vine cu întârzierea ferestrei, ~1,1 s la 1120 ms. Singura piesă care nu rulează local e și 69% din întârziere.

Reper: HumDial, ICASSP 2026, raportează 1,26 s pentru câștigător, după definiția concursului. E o mărime diferită de 1235 ms sau 2667 ms de mai sus; nu se scad una din alta. Ce arată reperul: acolo unde full-duplexul se măsoară cu adevărat, cifrele sunt de ordinul secundei, nu 300 ms.

Detecția turei

Prozodie față de cronometru

Măsurat pe conversații umane reale din CANDOR, în engleză: 80 de clipuri, 98 de pauze, reluare offline. Metrica e TOR — proporția pauzelor din mijlocul frazei în care sistemul a decis greșit că omul a terminat. Cu prag fix de 0,6 s, 69,4%; pe intonație, la 560 ms așteptare, 52,0% — cât îi trebuie cronometrului 820 ms ca să atingă. Câștigul nu vine din a decide mai rar: decizia pe prozodie ia mai multe decizii decât pragul fix, și tot greșește mai puțin. Repere publice: 9,9% tăieri false la 300 ms și 4,5% la 600 ms, la LiveKit v1 — declarat, engleză, altă metrică (rata tăierilor false, nu TOR), deci nu se compară direct.