Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

Whisper large-v3

OpenAI · openai/whisper-large-v3

Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos

Taxa de erro de palavras · Open ASR7,44 %Resultado publicado · revisado em 2026-10-20
Tamanho do repositório publicado24,7 GBTodos os arquivos publicados · não é memória de execução
Parâmetros1,55 Bficha do fabricante
Componentes publicados1Informados na ficha do modelo

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 benchmark2026-10-20

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

A ficha do publicador não informa resultado de benchmark para este checkpoint (lida em 2026-10-25). não publicado na ficha · lida em 2026-10-25

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 para

Considere Whisper large-v3, de OpenAI, para a tarefa de reconhecimento automático de fala (1,55B de parâmetros).

Confira antes

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.

Planejar memória para este modelo

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.

Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Usage
import 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"])
Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Usage
import 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)
Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Chunked Long-Form
import 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
  1. Confirme o checkpoint exato e a licença vinculada aqui.
  2. Confirme runtime e precisão ou quantização compatíveis com sua plataforma.
  3. 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 guardados10 campos
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.

Catálogo revisado: 2026-09-30. Benchmark revisado: 2026-10-20.