Whisper Large-v3 Turbo
หน้านี้ของ Soniqo อธิบาย Whisper Large-v3 Turbo ตาม implementation ใน speech-swift / speech-core ส่วนลิงก์ Hugging Face อยู่ใต้หมายเหตุการใช้งาน
เข้าหน้าในเว็บก่อน
การ์ดหน้าแรกและเมนูเอกสารจะชี้มาที่หน้านี้ก่อน ส่วนลิงก์ไปยัง source model และ bundle ยังอยู่ในหน้านี้
ภาพรวม
| โมเดล | Whisper Large-v3 Turbo |
|---|---|
| บทบาท | General multilingual speech-to-text |
| Backend | CoreML fp16 on CPU and Neural Engine |
| Output | Text transcript |
| ภาษา | Whisper multilingual set, about 100 languages |
| License | MIT weights from OpenAI |
| สถานะ | Ready through speech transcribe --engine whisper and the WhisperASR Swift product |
| Source | openai/whisper-large-v3-turbo |
| Swift product | WhisperASR |
| CLI / runtime | speech transcribe --engine whisper |
การใช้งาน
snippet ด้านล่างตรงกับ API หรือคำสั่งปัจจุบันใน speech-swift
# Transcribe with the native CoreML Whisper runtime.
.build/release/speech transcribe recording.wav --engine whisper
.build/release/speech transcribe recording.wav --engine whisper --language enลิงก์โมเดล
หมายเหตุ implementation
- 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.