Whisper Large-v3 Turbo
この Soniqo ページは、ローカルの speech-swift / speech-core 実装にある Whisper Large-v3 Turbo を説明します。Hugging Face バンドルへのリンクは統合メモの後にあります。
まずサイト内ページへ
ランディングカードとドキュメントメニューは先にこのページへ向け、ソースモデルとバンドルのリンクは本ページ内に残します。
概要
| モデル | Whisper Large-v3 Turbo |
|---|---|
| 役割 | General multilingual speech-to-text |
| バックエンド | CoreML fp16 on CPU and Neural Engine |
| 出力 | Text transcript |
| 言語 | Whisper multilingual set, about 100 languages |
| ライセンス | MIT weights from OpenAI |
| 状態 | Ready through speech transcribe --engine whisper and the WhisperASR Swift product |
| ソース | openai/whisper-large-v3-turbo |
| Swift プロダクト | WhisperASR |
| CLI / ランタイム | speech transcribe --engine whisper |
使い方
以下のスニペットは、現在の speech-swift リポジトリが公開している API またはコマンドに合わせています。
# Transcribe with the native CoreML Whisper runtime.
.build/release/speech transcribe recording.wav --engine whisper
.build/release/speech transcribe recording.wav --engine whisper --language enモデルリンク
実装メモ
- LibriSpeech test-clean slice on an M5 Pro: 1.40% WER, mean RTF 0.089, 6.1 s model load, 384 MB peak RSS — versus 1.53% / 0.085 / 100.2 s / 507 MB for a direct WhisperKit run of the same model.
- The bundle splits into four CoreML models — mel spectrogram, audio encoder, decoder context prefill, and a KV-cached text decoder — with the encoder and decoder on the Neural Engine.
- Greedy no-timestamp decoding with automatic language detection or a --language hint; audio is processed in 30 s chunks with a repeated-word guard against greedy hallucination loops.
- Word timestamps, temperature fallback, and VAD-guided long-form seeking are not implemented yet; --model accepts turbo, large-v3-turbo, or any Hugging Face repo ID.