/ Модель

Характеристики

Лицензия
CC BY 4.0
Опубликована
29 июл 2023

owsm_v3

Распознавание речиАудио → текст

OWSM v3 — открытая мультиязычная модель для распознавания и анализа речи, включая транскрибацию и перевод между языками.

31скачиваний за 30 дней29лайковвеса обновлены10 окт 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

OWSM v3 — открытая модель распознавания речи в стиле Whisper, разработанная CMU WAVLab с использованием набора инструментов ESPnet. Модель содержит 889 млн параметров и обучена на 180 тысячах часов общедоступных речевых данных.

Она предназначена для распознавания речи, перевода между языками по аудио, выравнивания высказываний, транскрибации длинных записей и определения языка. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0. Карточка также описывает OWSM v4 как более новую модель серии, поэтому демонстрационная страница проекта может использовать не v3.

Сценарии применения

  • транскрибация аудиозаписей
  • распознавание речи на разных языках
  • перевод речи с одного языка на другой
  • создание субтитров для длинных аудиозаписей
  • выравнивание текста с аудиозаписью
  • определение языка по речи

Ограничения

Демонстрация проекта использует более новую версию OWSM v4, поэтому её поведение не обязательно отражает возможности v3. В метаданных не перечислены конкретные поддерживаемые языки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Usage

import librosa
from espnet2.bin.s2t_inference import Speech2Text

s2t = Speech2Text.from_pretrained(
    model_tag="espnet/owsm_v3", lang_sym="<eng>", task_sym="<asr>", beam_size=5
)
# OWSM is trained on 16 kHz; each call decodes 30 s, padded or trimmed
speech, rate = librosa.load("audio.wav", sr=16000, mono=True)
text, token, token_int, text_nospecial, hyp = s2t(speech)[0]
print(text_nospecial)  # `text` keeps OWSM's own <eng><asr> markers
# for a recording longer than 30 s: s2t.decode_long(speech) -> (start, end, text)

OWSM: Open Whisper-style Speech Model

OWSM is an Open Whisper-style Speech Model from CMU WAVLab. It reproduces Whisper-style training using publicly available data and an open-source toolkit ESPnet.

Our demo is available here; it runs OWSM v4, the current model in the series. The project page contains various resources.

OWSM v3 has 889M parameters and is trained on 180k hours of public speech data. It supports various speech-to-text tasks:

  • Speech recognition
  • Any-to-any-language speech translation
  • Utterance-level alignment
  • Long-form transcription
  • Language identification

For more details and results, please check out our paper (Peng et al., ASRU 2023).

Citations

OWSM-CTC

@inproceedings{owsm-ctc,
    title = "{OWSM}-{CTC}: An Open Encoder-Only Speech Foundation Model for Speech Recognition, Translation, and Language Identification",
    author = "Peng, Yifan  and
      Sudo, Yui  and
      Shakeel, Muhammad  and
      Watanabe, Shinji",
    booktitle = "Proceedings of the Annual Meeting of the Association for Computational Linguistics (ACL)",
    year = "2024",
    month= {8},
    url = "https://aclanthology.org/2024.acl-long.549",
}

OWSM v3.1 and v3.2

@inproceedings{owsm-v32,
  title={On the Effects of Heterogeneous Data Sources on Speech-to-Text Foundation Models},
  author={Jinchuan Tian and Yifan Peng and William Chen and Kwanghee Choi and Karen Livescu and Shinji Watanabe},
  booktitle={Proceedings of the Annual Conference of the International Speech Communication Association (INTERSPEECH)},
  year={2024},
  month={9},
  pdf="https://arxiv.org/pdf/2406.09282"
}
@inproceedings{owsm-v31,
  title={{OWSM v3.1: Better and Faster Open Whisper-Style Speech Models based on E-Branchformer}},
  author={Yifan Peng and Jinchuan Tian and William Chen and Siddhant Arora and Brian Yan and Yui Sudo and Muhammad Shakeel and Kwanghee Choi and Jiatong Shi and Xuankai Chang and Jee-weon Jung and Shinji Watanabe},
  booktitle={Proceedings of the Annual Conference of the International Speech Communication Association (INTERSPEECH)},
  year={2024},
  month={9},
  pdf="https://arxiv.org/pdf/2401.16658",
}

Initial OWSM (v1, v2, v3)

@inproceedings{owsm,
  title={Reproducing Whisper-Style Training Using An Open-Source Toolkit And Publicly Available Data},
  author={Yifan Peng and Jinchuan Tian and Brian Yan and Dan Berrebbi and Xuankai Chang and Xinjian Li and Jiatong Shi and Siddhant Arora and William Chen and Roshan Sharma and Wangyou Zhang and Yui Sudo and Muhammad Shakeel and Jee-weon Jung and Soumi Maiti and Shinji Watanabe},
  booktitle={Proceedings of the IEEE Automatic Speech Recognition and Understanding Workshop (ASRU)},
  year={2023},
  month={12},
  pdf="https://arxiv.org/pdf/2309.13876",
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели ESPnet требуют отдельного рантайма.

Ревизия весов
2f31e9c

0 моделей