Tri ozbiljna ASR pružatelja postoje na tržištu u 2026: OpenAI Whisper, Deepgram, AssemblyAI. Sva tri rade engleski impresivno dobro. Sva tri tvrde da podržavaju hrvatski. Naša odluka pala je na **Whisper-large-v3**. Razlozi nisu samo cijena. Evo što smo testirali i što nas je vodilo. ## Polazne hipoteze (prije testiranja) Pretpostavili smo: 1. **Deepgram** je najbrži (real-time streaming). Hrvatski podržava preko Nova-2 modela. Cijena: ~0.0125 $/min. 2. **AssemblyAI** ima najbolji UX (jasan dashboard, dobra dokumentacija). Hrvatski preko `language_code="hr"`. Cijena: ~0.012 $/min. 3. **Whisper-large-v3** open-source, samostalno hostan. Trošak je hardver i operativni dodatak, ne API. Hrvatski iz multilingvalnog korpusa. Tri različita poslovna modela. Prve dvije su SaaS, treća je infrastruktura. ## Što smo mjerili Isti benchmark set (3 popularna hrvatska podcasta, prvih 5 minuta svakog), ista mjerna metoda: - **WER** (Word Error Rate) protiv ručno verificiranih referentnih transkripata - **NER** (Named Entity Recognition accuracy) za vlastita imena i brendove - **Time-to-result** za 60-min epizodu kroz svaki pipeline Ground-truth pripremili smo ručno: 3 native govornika prošla su 15 minuta materijala, označila imena, brojeve, segmente. Standardni benchmark protokol. ## Rezultati | Kanal | Whisper-large-v3 | Deepgram Nova-2 | AssemblyAI | |-------|------------------|------------------|------------| | Superhuman Life (čista naracija) | **1.85%** | 4.2% | 5.1% | | Lider Lab (poslovni intervju) | **5.28%** | 8.7% | 9.4% | | Netokracija (code-switching heavy) | **12.48%** | 17.3% | 18.9% | Sva tri pružatelja imaju isti pattern: čisto-naracijski sadržaj prolazi pristojno, sadržaj s puno vlastitih imena i engleske terminologije pada. Razlika je u marginama. Na **NER osi** (vlastita imena), Whisper s našim custom dictionary post-processorom dominira. Bez rječnika, sva tri su slična (60-75%). S rječnikom samo Whisper pipeline ima točku zahvata. ## Gdje Deepgram zaista briljira Real-time streaming. Ako gradite live-captioning za webinar ili video poziv, Deepgramova latencija (sub-200ms za prve riječi) je najbolja od tri. Whisper nije stream-first; vraćanje natrag na većini implementacija prelazi 2 sekunde po segmentu. Mi nemamo live use-case. Sve obrade su batch (video upload je gotov prije nego mi išta krenemo). Pa Deepgramova najbolja stvar nije primjenjiva. ## Gdje AssemblyAI zaista briljira Dodatne funkcionalnosti: speaker diarization, automated chapters, sentiment, sažeci. „One-stop API" osjećaj. Mi diarization radimo u pyannote (open-source), sažetke kao zaseban LLM korak na vlastitoj infrastrukturi. Plaćati nadogradnju za značajke koje već imamo nije imalo smisla. ## Što su tri argumenta za Whisper na našoj strani ### 1. Obrada pod našom kontrolom Whisper-large-v3 radi na lokalnom GPU boxu (RTX 6000 Pro, 96 GB VRAM). Za prosječni opseg (5-25 h obrade po kanalu mjesečno), trošak GPU + struje izlazi 60-70% jeftiniji od Deepgram/AssemblyAI API-ja. Vidi: detaljnu tehniku. Model card i težine su javno dostupni. Kad opseg pređe 100 h/mj/kanal, infrastrukturni trošak po minuti pada još više. Za SaaS pružatelje cijena ostaje linearna. ### 2. Custom dictionary slobodno integriran Whisper kao open-source omogućuje umetanje post-processora između sirovog izlaza i finalnog SRT-a. Možemo: - Pretražiti izlaz Levenshtein distance-om - Zamijeniti pogrešne kandidate s točnima iz korisničkog rječnika - Validirati pravopis svjesno o hrvatskim ć/č/š/ž/đ Deepgram i AssemblyAI nude „custom vocabulary" feature, ali to je hint za ASR model, ne post-processor. Recovery je primjetno manji (~1 pp WER) u našim testovima naspram ~3.5 pp s Whisper + naš post-processor. ### 3. Rizik ovisnosti Deepgram je dobio Series C 2024. AssemblyAI Series C 2023. Oba su pravna lica koja jednog dana mogu povisiti cijene, ukinuti hrvatski model ili nestati u akviziciji. Whisper-large-v3 je javan model na HuggingFaceu. Ako OpenAI sutra makne podršku, model je već skinut na naš disk i nastavlja raditi. Za **vezivanje na jednog pružatelja u dijelu pipeline-a koji nam je egzistencijalan**, open-source je obranjiv izbor. ## Što nismo testirali (a možda smo trebali) - **AWS Transcribe**: hrvatski podržava od 2023, ali NER kvaliteta po anegdotama je niža od tri kandidata gore. Nismo benchmarkali. - **Google Cloud Speech-to-Text**: hrvatski podržava, ali model je optimiziran za kratke isječke (poziv, naredba). Za 60-min epizodu osjeti se pad u kasnijim segmentima. - **Microsoft Azure Speech**: preskočili. Manji nišni izbor na hrvatskoj sceni. Ako u sljedećih 12 mjeseci jedan od ovih napravi proboj na hrvatskom, vrijedi se vratiti. ## Što bi promijenilo našu odluku Ako bi: - **Deepgram ili AssemblyAI smanjili WER ispod 5%** na svim trima našim benchmark kanalima, balans bi se promijenio. - **OpenAI ukinuo Whisper open-source distribuciju** (malo vjerojatno, ali ne nemoguće), prešli bismo na njihov platforma API ili migrirali na novi open-source kandidat (možda Faster-Whisper successor). - **Naša infrastruktura prešla 200 h obrade dnevno**, samostalno hostanje bi postalo manje atraktivno naspram čisto API modela. Trenutno: ni jedan od ova tri triggera nije aktivan. ## Spojite kanal Phase-0 brojke su s tri javna podcasta. Najbolji način provjere je vaš audio. Spojite kanal, mi obradimo prvi video preko našeg Whisper pipeline-a, vidite WER + NER u dashboardu. Probajte besplatno.

#assemblyai

Whisper vs Deepgram vs AssemblyAI: zašto Titlomat radi na Whisper-large-v3