Maskinöversättning · Engelskt original
Whisper Large-v3 Turbo
Denna förstaparts Soniqo-sida dokument Whisper Large-v3 Turbo från den lokala speech-swift / speech-core implementering. Hugging Face buntar är länkade nedan efter integrationsnoterna.
Landningskort och docs-menyer pekar nu här först; källmodell och buntlänkar förblir tillgängliga från denna sida.
På en Glance
| Modell | Whisper Large-v3 Turbo |
|---|---|
| Rollen | Allmänt flerspråkigt tal till text |
| Backend | CoreML fp16 på CPU och Neural Engine |
| Output | Texttranscript |
| Språk | Whisper flerspråkig uppsättning, ca 100 språk |
| Licens | MIT vikter från OpenAI |
| Status | Redo genom tal transkribera --engine viskning och WhisperASR Swift produkt |
| Källa | openai/whisper-large-v3-turbo |
| Swift produkt | WhisperASR |
| CLI / runtime | speech transcribe --engine whisper |
Användning
Nyckeln nedan speglar den nuvarande speech-swift API eller kommandot exponerat av repan.
# Transcribe with the native CoreML Whisper runtime.
.build/release/speech transcribe recording.wav --engine whisper
.build/release/speech transcribe recording.wav --engine whisper --language enModelllänkar
Implementeringsmeddelanden
- LibriSpeech test-clean skiva på en M5 Pro: 1.40% WER, menar RTF 0.089, 6.1 s modellbelastning, 384 MB topp RSS - jämfört med 1,53% / 0.085 / 100.2 s / 507 MB för en direkt WhisperKit körning av samma modell.
- Bunten delar sig i fyra CoreML modeller - mel spectrogram, ljudkodare, dekoder kontext prefill, och en KV-cached text decoder - med kodaren och avkodaren på Neural Engine.
- Greedy no-timestamp avkodning med automatisk språkdetektering eller en --language antydan; ljud behandlas i 30 s bitar med en upprepad ord vakt mot giriga hallucinationsloopar.
- Word timestamps, temperaturnedgång och VAD-guided long-form sökande är inte implementerade ännu; --model accepterar turbo, large-v3-turbo, eller någon Hugging Face
Behöver du en fokuserad beslutsguide? Se Qwen3-ASR vs Whisper: noggrannhet, hastighet och minne.
Lokal inhemsk slutsats
Whisper ASRModel.fromDirectory laster iscensatt full Large-v3 CoreML buntar. Den 32-lagers dekodern kan bygga sin prefix utan TextDecoderContextPrefill.mlmodelc och släpper per-stegs temporaries. Standard Whisper CLI-modellen förblir Turbo.