Whisper large-v3-turbo
OpenAI · openai/whisper-large-v3-turbo
Licença dos pesos: MIT · 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
- 16,13 %
- WER · Earnings-22
- 11,63 %
- WER · GigaSpeech
- 10,14 %
- WER · LibriSpeech clean
- 2,10 %
- WER · LibriSpeech other
- 4,24 %
- WER · SPGISpeech
- 2,97 %
- WER · TED-LIUM
- 3,57 %
- WER · VoxPopuli
- 11,87 %
- RTFx (velocidade na GPU do ranking)
- 200
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-turbo, de OpenAI, para a tarefa de reconhecimento automático de fala (0,81B 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 71
O publicador documenta um caminho dentro desta memória, nesta plataforma (CUDA ou Apple MPS). Caminhos condicionais exigem offload ou quantização.
Mostrar todos os 71
Falta um degrau de memória 1
As mesmas máquinas com o próximo tamanho de memória teriam o suficiente.
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 turbo: ~6 GB de VRAM (o README descreve o turbo como versão otimizada do 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-turbo"
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-turbo"
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-turbo"
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-turbo
- Tarefa e modalidade
- reconhecimento automático de fala · áudio
- Contagem e base
- 0,81B · ficha do fabricante
- Lançamento
- openai/whisper commit history (GitHub API), commit "large-v3-turbo model (#2361)" · consultado em 2026-10-09fonte
- Tamanho do repositório publicado
- 1,6 GBNão é memória de execução nem download mínimo.arquivos
- Componentes publicados
- Whisper ASR checkpoint
- Runtime e precisão
- Nenhuma execução local verificada.
- Uso comercial
- Permitido MIT license text (SPDX) · consultado em 2026-10-18texto da licença
Todos os campos guardados
- Revisão conferida
- 41f01f3fe87f28c78e2fbf8b568835947dd65ed9
- Arquitetura
- WhisperForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- automatic-speech-recognition
- Formatos
- safetensors
- Repositório criado
- 2024-10-01criação não é o lançamento do modelo
- Repositório atualizado
- 2024-10-04um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 5.815.543 · 3.477só 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 OpenAI descreve turbo como uma variante otimizada de large-v3 para transcrição; este catálogo não afirma velocidade local nem requisito de memória.
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.


















































