/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
MIT
Архитектура
whisper · dense
Библиотека
transformers
Опубликована
27 окт 2025

thewhisper-large-v3

Распознавание речиАудио → текст

TheWhisper-Large-V3 — многоязычная модель TheStage AI для потокового распознавания речи и транскрибации аудио в текст.

208скачиваний за 30 дней3лайкавеса обновлены13 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

TheWhisper-Large-V3 — модель распознавания речи от TheStage AI, дообученная на основе openai/whisper-large-v3. Она преобразует аудио в текст и предназначена для потоковой транскрибации с низкой задержкой, в том числе для субтитров в реальном времени, расшифровки встреч и голосовых интерфейсов на устройстве.

Модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. README заявляет поддержку примерно 99 языков, обработку аудиофрагментов длиной до 30 секунд без дополнения тишиной, а также временные метки слов. Указаны варианты запуска на видеокартах NVIDIA с CUDA и на Apple Silicon через CoreML; метаданные репозитория указывают формат safetensors и библиотеку Transformers.

Лицензия — MIT. README сообщает о сравнении качества на многоязычных тестах Open ASR Leaderboard, но приведённые таблицы неполные, поэтому по ним нельзя установить качество этой модели относительно базовой Whisper Large V3.

Сценарии применения

  • создание субтитров к аудио и видео в реальном времени
  • расшифровка записей встреч и разговоров
  • потоковая транскрибация аудиофрагментов до 30 секунд
  • распознавание речи для голосовых интерфейсов на устройстве
  • получение временных меток слов в расшифровке

Ограничения

Обрабатывает аудио фрагментами длиной до 30 секунд; для распознавания длинных записей потребуется потоковая обработка или разбиение на фрагменты. Данные о качестве в README неполные, поэтому приведённые таблицы не позволяют оценить сравнительное качество именно этой модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TheWhisper-Large-V3

Model Summary

TheWhisper-Large-V3 is a fine-tuned, high-performance variant of OpenAI’s Whisper Large V3 model — optimized by TheStage AI for real-time, low-latency, and low-power speech-to-text (ASR) inference across multiple platforms, including NVIDIA GPUs and Apple Silicon (CoreML).

It provides streaming transcription, word timestamps, and scalable performance for use cases like real-time captioning, meetings, and on-device voice interfaces.

📊 Benchmarks

TheWhisper is a fine-tuned Whisper model that can process audio chunks of any size up to 30 seconds. Unlike the original Whisper models, it doesn't require padding audio with silence to reach 30 seconds. We conducted quality benchmarking across different chunk sizes: 10, 15, 20, and 30 seconds. For quality benchmarks, we used the multilingual benchmarks Open ASR Leaderboard.

For comprehensive performance and quality benchmarks see TheWhisper.

10s chunks

ModelMean WER
openai/whisper-large-v3-turbo7.81
openai/whisper-large-v37.45
thewhisper-large-v3-turbo7.88
thewhisper-large-v37.8

15s chunks

ModelMean WER
openai/whisper-large-v3-turbo7.61
openai/whisper-large-v37.22
thewhisper-large-v3-turbo7.45
thewhisper-large-v37.34

20s chunks

ModelMean WER
openai/whisper-large-v3-turbo7.63
openai/whisper-large-v37.29
thewhisper-large-v3-turbo7.47
thewhisper-large-v37.31

30s chunks

ModelMean WER
openai/whisper-large-v3-turbo7.61
openai/whisper-large-v37.32
thewhisper-large-v3-turbo7.45
thewhisper-large-v37.28

Quick start


Installation

Clone the repository

git clone https://github.com/TheStageAI/TheWhisper.git
cd TheWhisper

Install for Apple

pip install .[apple]

Install for Nvidia

pip install .[nvidia]

Install for Nvidia with TheStage AI optmized engines

pip install .[nvidia]
pip install thestage-elastic-models[nvidia] --extra-index-url https://thestage.jfrog.io/artifactory/api/pypi/pypi-thestage-ai-production/simple
pip install thestage
# additional dependencies
pip install flash_attn==2.8.2 --no-build-isolation

Then generate access token on TheStage AI Platform in your profile and execute the following command:

thestage config set --api-token <YOUR_API_TOKEN>

Apple Usage

import torch
from thestage_speechkit.apple import ASRPipeline

model = ASRPipeline(
    model='TheStageAI/thewhisper-large-v3',
    # optimized model with ANNA
    model_size='S'
    chunk_length_s=10,
    token=hf_token
)

# inference
result = model(
    "path_to_your_audio.wav", 
    max_batch_size=32,
    return_timestamps="word"
)

print(result["text"])

Apple Usage with Streaming

from thestage_speechkit.apple import WhisperStreamingPipeline
from thestage_speechkit.streaming import MicStream, FileStream, StdoutStream

streaming_pipe = WhisperStreaming(
    model='TheStageAI/thewhisper-large-v3',
    # Optimized model by ANNA
    model_size='S',
    # Window length
    chunk_length_s=10,
    platform='apple'
)

# set stride in miliseconds
mic_stream = MicStream(step_size_s=0.5)
output_stream = StdoutStream()

while True:
    chunk = mic_stream.next_chunk()
    if chunk:
        approved_text, assumption = streaming_pipe(chunk)
        output_stream.rewrite(approved_text, assumption)
    else:
        break

Nvidia Usage (HuggingFace Transfomers)

import torch
from thestage_speechkit.nvidia import ASRPipeline

model = ASRPipeline(
    model='TheStageAI/thewhisper-large-v3',
    # allowed: 10s, 15s, 20s, 30s
    chunk_length_s=10,
    # optimized TheStage AI engines
    device='cuda',
    token=hf_token
)

# inference
result = model(
    audio="path_to_your_audio.wav", 
    max_batch_size=32,
    return_timestamps="segment"
)

print(result["text"])

Nvidia Usage (TheStage AI engines)

import torch
from thestage_speechkit.nvidia import ASRPipeline

model = ASRPipeline(
    model='TheStageAI/thewhisper-large-v3',
    # allowed: 10s, 15s, 20s, 30s
    chunk_length_s=10,
    # optimized TheStage AI engines
    mode='S',
    device='cuda',
    token=hf_token
)

# inference
result = model(
    "path_to_your_audio.wav", 
    max_batch_size=32,
    return_timestamps="segment"
)

print(result["text"])

Model Details


  • Developed by: TheStage AI
  • Model type: Speech-to-Text (Automatic Speech Recognition)
  • Languages: Multilingual (same as Whisper Large V3: ~99 languages supported)
  • License: MIT
  • Finetuned from: openai/whisper-large-v3
  • Frameworks: PyTorch, CoreML
  • Supported Platforms:
    • NVIDIA GPUs (CUDA 11.8+)
    • Apple Silicon (M1–M4, macOS 15+)

Links


Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
b585e07

0 моделей