Whisper large-v3
OpenAI · openai/whisper-large-v3
Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos
Qualidade
Taxa de erro de palavras · Open ASR
0–8% · menor é melhor · este modelo em destaque
Fonte: huggingface/open_asr_leaderboard scripts/data/en_shortform.csv @ 16743c6 (2026-05-22; resultados de 2026-03-26) · coletado 2026-10-20 · Apache-2.0 · modelos sem resultado não aparecem (sem resultado ≠ 0)
Taxa de erro de palavras · Open ASR
Resultado publicado · coletado em 2026-10-20 · huggingface/open_asr_leaderboard scripts/data/en_shortform.csv @ 16743c6 (2026-05-22; resultados de 2026-03-26)
- WER · AMI
- 15,95 %
- WER · Earnings-22
- 11,29 %
- WER · GigaSpeech
- 10,02 %
- WER · LibriSpeech clean
- 2,01 %
- WER · LibriSpeech other
- 3,91 %
- WER · SPGISpeech
- 2,94 %
- WER · TED-LIUM
- 3,86 %
- WER · VoxPopuli
- 9,54 %
- RTFx (velocidade na GPU do ranking)
- 146
Condições do benchmark
Execução do Open ASR Leaderboard com o checkpoint publicado, na GPU do próprio ranking; transcrições e referências normalizadas (no estilo do Whisper) antes da pontuação. Não é variante quantizada nem medição em hardware local.
Inglês, trechos curtos, média simples de 8 conjuntos de teste: AMI, Earnings-22, GigaSpeech, LibriSpeech clean, LibriSpeech other, SPGISpeech, TED-LIUM, VoxPopuli · huggingface/open_asr_leaderboard scripts/data/en_shortform.csv @ 16743c6 (2026-05-22; resultados de 2026-03-26)
Informado pelo publicador
Qualidade × memória
Sem par qualidade × memória comparável
Modelos de imagem, vídeo e áudio não têm uma escala de qualidade em comum e a memória vem do caminho mínimo documentado pelo publicador, então a qualidade não é comparada com a memória em um gráfico.
Considere Whisper large-v3, de OpenAI, para a tarefa de reconhecimento automático de fala (1,55B de parâmetros).
O catálogo lista o caminho de memória documentado pelo publicador em Roda em e não revisou outras configurações. A memória real depende de precisão, resolução, duração e offload; consulte a fonte oficial.
Roda em
Memória suficiente 46
O publicador documenta um caminho dentro desta memória, nesta plataforma (CUDA ou Apple MPS). Caminhos condicionais exigem offload ou quantização.
Mostrar todos os 46
Falta um degrau de memória 21
As mesmas máquinas com o próximo tamanho de memória teriam o suficiente.
Mostrar todos os 21
Perfis de hardware agrupados pelo caminho mínimo de memória documentado pelo publicador e pela plataforma. Não é execução medida.
Velocidade medida
Nenhuma medição publicada para este checkpoint
A velocidade (fator de tempo real ou segundos por clipe) só aparece quando uma fonte a publica com hardware, build e configuração. Nunca é estimada.
Como rodar
Caminho de memória documentado pelo publicador: Tabela oficial do README, linha large: ~10 GB de VRAM (a tabela não tem uma linha separada para o large-v3). A memória real depende de precisão, resolução, duração e offload; consulte a fonte oficial. Evidência oficial de hardware
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model_id = "openai/whisper-large-v3"
model = AutoModelForSpeechSeq2Seq.from_pretrained(
model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)
processor = AutoProcessor.from_pretrained(model_id)
pipe = pipeline(
"automatic-speech-recognition",
model=model,
tokenizer=processor.tokenizer,
feature_extractor=processor.feature_extractor,
torch_dtype=torch_dtype,
device=device,
)
dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]
result = pipe(sample)
print(result["text"])pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor
from datasets import Audio, load_dataset
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model_id = "openai/whisper-large-v3"
model = AutoModelForSpeechSeq2Seq.from_pretrained(
model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)
processor = AutoProcessor.from_pretrained(model_id)
dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(processor.feature_extractor.sampling_rate))
sample = dataset[0]["audio"]
inputs = processor(
sample["array"],
sampling_rate=sample["sampling_rate"],
return_tensors="pt",
truncation=False,
padding="longest",
return_attention_mask=True,
)
inputs = inputs.to(device, dtype=torch_dtype)
gen_kwargs = {
"max_new_tokens": 448,
"num_beams": 1,
"condition_on_prev_tokens": False,
"compression_ratio_threshold": 1.35, # zlib compression ratio threshold (in token space)
"temperature": (0.0, 0.2, 0.4, 0.6, 0.8, 1.0),
"logprob_threshold": -1.0,
"no_speech_threshold": 0.6,
"return_timestamps": True,
}
pred_ids = model.generate(**inputs, **gen_kwargs)
pred_text = processor.batch_decode(pred_ids, skip_special_tokens=True, decode_with_timestamps=False)
print(pred_text)pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model_id = "openai/whisper-large-v3"
model = AutoModelForSpeechSeq2Seq.from_pretrained(
model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)
processor = AutoProcessor.from_pretrained(model_id)
pipe = pipeline(
"automatic-speech-recognition",
model=model,
tokenizer=processor.tokenizer,
feature_extractor=processor.feature_extractor,
chunk_length_s=30,
batch_size=16, # batch size for inference - set based on your device
torch_dtype=torch_dtype,
device=device,
)
dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]
result = pipe(sample)
print(result["text"])Nível da evidência: Documentação do publicador vinculada; nenhuma execução reproduzida por este site.
Antes de baixar
- Confirme o checkpoint exato e a licença vinculada aqui.
- Confirme runtime e precisão ou quantização compatíveis com sua plataforma.
- Reserve memória para contexto, lote e eventuais componentes de mídia além dos pesos.
Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / versão
- openai/whisper-large-v3
- Tarefa e modalidade
- reconhecimento automático de fala · áudio
- Contagem e base
- 1,55B · ficha do fabricante
- Lançamento
- openai/whisper commit history (GitHub API), commit "large-v3 (#1761)" · consultado em 2026-10-09fonte
- Tamanho do repositório publicado
- 24,7 GBNão é memória de execução nem download mínimo.arquivos
- Componentes publicados
- Whisper ASR checkpoint
- Runtime e precisão
- Nenhuma execução local verificada.
- Uso comercial
- Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
Todos os campos guardados
- Revisão conferida
- 06f233fe06e710322aca913c1bc4249a0d71fce1
- Arquitetura
- WhisperForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- automatic-speech-recognition
- Formatos
- safetensors, pytorch
- Repositório criado
- 2023-11-07criação não é o lançamento do modelo
- Repositório atualizado
- 2024-08-12um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 3.499.023 · 6.692só este repositório · lido em 2026-10-25
- Lido na página do Hub
- tarefa, classe transformers, tags de tarefa, formatos de arquivoVisão geral e lista de arquivos do Hub · lido em 2026-10-18
- Estado no catálogo
- Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário
A ficha oficial identifica reconhecimento automático de fala e 99 idiomas. Não há requisito de memória ou velocidade local publicado aqui.
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Checkpoint e ficha do publicador
- Licença dos pesos e termos de uso
- Fonte do benchmark de qualidade · Taxa de erro de palavras · Open ASR
- Documentação de hardware do publicador
Catálogo revisado: 2026-09-30. Benchmark revisado: 2026-10-20.















































