/ Модель

Характеристики

Лицензия
MIT
Базовая модель
whisper-large-v3-turbo
Библиотека
ctranslate2
Опубликована
24 авг 2026

scribe-whisper-turbo-int8

Распознавание речиАудио → текст8 профессий

Квантизированная до int8 версия Whisper large-v3-turbo для распознавания речи и перевода аудио в текст, включая работу на CPU.

183скачиваний за 30 дней0лайковвеса обновлены30 сен 2026

Бенчмарки

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

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

Это версия Whisper large-v3-turbo от OpenAI, преобразованная Viacheslav Smirnov в формат CTranslate2 с квантизацией int8. Модель предназначена для распознавания речи и перевода аудио в текст; её распространяют для загрузки утилитой Scribe SV для диктовки и перевода в Windows, в том числе на компьютерах без CUDA GPU. Ничего не дообучалось: веса напрямую преобразованы из openai/whisper-large-v3-turbo.

README приводит замеры на русском аудио: WER составил 4,25% для int8 на CPU против 3,54% для float16 на CUDA. В тех же условиях обработка записи длиной 194 секунды заняла 58,2 секунды на CPU; распознавание коротких фраз длилось около 5 секунд. Модель использует CTranslate2 и распространяется по лицензии MIT с сохранением исходных лицензий.

Сценарии применения

  • диктовка русской речи на компьютере без CUDA GPU
  • распознавание речи из аудиозаписей
  • перевод речи из аудио в текст
  • транскрибирование коротких русскоязычных фраз

Ограничения

На CPU модель медленнее GPU-версии: в приведённом тесте обработка 194 секунд аудио заняла 58,2 секунды, а короткие фразы распознавались примерно за 5 секунд. В тесте на русском аудио квантизация повысила WER с 3,54% до 4,25%.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper large-v3-turbo for Scribe SV — CTranslate2, int8

A CTranslate2 build of Whisper large-v3-turbo quantized to int8, for machines without a CUDA GPU. Used by Scribe SV, a Windows dictation and translation utility, and published here so the application can download it on demand.

Nothing was retrained or fine-tuned. Converted directly from the official OpenAI weights:

ct2-transformers-converter --model openai/whisper-large-v3-turbo \
    --copy_files tokenizer.json preprocessor_config.json \
    --output_dir . --quantization int8

The float16 build for GPU machines lives in a separate repository: crash-sv/scribe-whisper-turbo-fp16. The two precisions are kept apart on purpose: our downloader fetches a whole repository, so a CPU-only user should not have to pull the 1.5 GB float16 weights to get these 0.8 GB.

Measured cost of quantization

Measured on our own bench (Russian speech, 194 s of audio with a human reference transcript; beam_size=5, vad_filter=True, condition_on_previous_text=True, an initial_prompt, speech_pad_ms=600, hallucination_silence_threshold=2.0):

float16 on CUDAint8 on CPU
WER3.54 %4.25 %
194 s file3.4 s58.2 s
short phrase (3-10 s of audio)0.18-0.26 s5.2-5.8 s
punctuation marks per 100 words, spontaneous speech31.826.4

Two things worth knowing: the accuracy cost of int8 is small (+0.71 pp WER), but on CPU the latency of a short phrase is roughly constant at ~5 s regardless of its length — three seconds of audio and ten seconds of audio both take about that long.

Contents

model.bin, config.json, preprocessor_config.json, tokenizer.json, vocabulary.json — a complete CTranslate2 model directory.

Usage

from faster_whisper import WhisperModel
from huggingface_hub import snapshot_download

model = WhisperModel(
    snapshot_download("crash-sv/scribe-whisper-turbo-int8"),
    device="cpu",
    compute_type="int8",
)
segments, info = model.transcribe("audio.wav", beam_size=5, vad_filter=True)

Attribution and license

Whisper large-v3-turbo, CTranslate2 int8

License text (LICENSE-MIT-openai-whisper.txt) lies in the repository root.

This republication keeps the original licenses.

Как запустить

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

GPU в ailist

Универсальный рантайм · ctranslate2

Нельзя запустить

Модели CTranslate2 требуют отдельного рантайма.

Ревизия весов
2e6e5aa

0 моделей