Patientdesk.ai, ein türkisches Gesundheits-KI-Startup, das earlier this year eine Pre-Seed-Runde von 1 Million Dollar unter Führung von Y Combinator abgeschlossen hat, hat zwei Sprachmodelle vorgestellt, die speziell für die türkische Sprache entwickelt wurden: Alania für Text-to-Speech und Duyu für Speech-to-Text.
Türkisch stellt einzigartige Herausforderungen für Sprach-KI dar: Die agglutinierende Grammatik, Eigennamen in Telefonaten und die Telefonqualität mit niedriger Audioqualität bringen Modelle, die hauptsächlich auf Englisch trainiert wurden, durcheinander. Patientdesk.ai entwickelte beide Modelle auf Basis der Erfahrungen mit einem telefonbeantwortenden Sprachassistenten für US-Kliniken und trainierte sie dann speziell für Türkisch.
Im FLEURS-Türkisch-Benchmark erreicht Duyu eine Wortfehlerrate von4,71 % und übertrifft damit OpenAIs Whisper large-v3 (5,04 %) im selben Test. Im hauseigenen Testset – bestehend aus Telefonaudio und gesprochenen E-Mail-Adressen und Telefonnummern – erzielt Duyu9,87 % gegenüber ElevenLabs Scribe v2s10,4 %. Duyu unterstützt zudem Echtzeit-Streaming-Transkription.
Alania erzeugt natürliches Türkisch mit niedriger Latenz und streamt die Ausgabe, bevor der vollständige Satz abgeschlossen ist – ein Designziel für telefonbasierte Assistenten, bei denen Verzögerungen eine Rolle spielen. Derzeit bietet es eine einzige Stimme mit Tonoptionen für Terminplanung, Fragen und beruhigende Sprache.
Beide Modelle nutzen das OpenAI-kompatible API-Format, sodass Entwickler sie mit minimalen Änderungen in bestehende Anwendungen einbauen können. Patientdesk.ai hat zudem Antalia-1, ein experimentelles einzelstimmiges TTS-Modell, zusammen mit seinen Gewichten, dem Code, dem technischen Bericht und einem 5-Stunden-Türkisch-Audiodatensatz als Open Source veröffentlicht. Die kommerziellen Modelle sind einen Monat lang ab Registrierung kostenlos.
