/ Модель

Характеристики

Лицензия
CC BY 4.0
Опубликована
22 дек 2023

owsm_v3.1_ebf

Распознавание речиАудио → текст

Мультиязычная речевая модель ESPnet для распознавания и транскрибации речи, перевода между языками и связанных задач.

115скачиваний за 30 дней17лайковвеса 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 v3.1 EBF — открытая мультиязычная модель распознавания речи из семейства Open Whisper-style Speech Model, разработанная командой ESPnet. Она содержит 1,02 млрд параметров и обучена на 180 тысячах часов общедоступных речевых данных. В версии 3.1 используется речевой энкодер E-Branchformer; по карточке модели, она превосходит OWSM v3 почти во всех оценочных тестах.

Модель предназначена для преобразования речи в текст и поддерживает распознавание речи, перевод речи между языками, выравнивание на уровне высказываний, транскрибацию длинных записей и определение языка. Репозиторий содержит веса PyTorch. Лицензия — CC BY 4.0.

Сценарии применения

  • Расшифровка записей речи в текст
  • Перевод устной речи между языками
  • Транскрибация длинных аудиозаписей
  • Выравнивание текста и речи по высказываниям
  • Определение языка аудиозаписи

Ограничения

Карточка не приводит перечень поддерживаемых языков или метрики качества по отдельным языкам. Описанные в README задачи перевода, выравнивания и определения языка не подтверждены отдельными pipeline-тегами в метаданных.

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_v3.1_ebf", 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 aims to develop fully open speech foundation models using publicly available data and open-source toolkits, including ESPnet.

Inference examples can be found on our project page. Our demo is available here; it runs OWSM v4, the current model in the series.

OWSM v3.1 is an improved version of OWSM v3. It significantly outperforms OWSM v3 in almost all evaluation benchmarks. We do not include any new training data. Instead, we utilize a state-of-the-art speech encoder, E-Branchformer.

The model in this repo has 1.02B parameters in total and is trained on 180k hours of public speech data. Specifically, it supports the following speech-to-text tasks:

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

OWSM series

Encoder-decoder OWSM

NameSizeHugging Face Repo
OWSM v3.1 base101Mhttps://huggingface.co/espnet/owsm_v3.1_ebf_base
OWSM v3.1 small367Mhttps://huggingface.co/espnet/owsm_v3.1_ebf_small
OWSM v3.1 medium1.02Bhttps://huggingface.co/espnet/owsm_v3.1_ebf
OWSM v3.2 small367Mhttps://huggingface.co/espnet/owsm_v3.2
OWSM v4 base102Mhttps://huggingface.co/espnet/owsm_v4_base_102M
OWSM v4 small370Mhttps://huggingface.co/espnet/owsm_v4_small_370M
OWSM v4 medium1.02Bhttps://huggingface.co/espnet/owsm_v4_medium_1B

CTC-based OWSM

NameSizeHugging Face Repo
OWSM-CTC v3.1 medium1.01Bhttps://huggingface.co/espnet/owsm_ctc_v3.1_1B
OWSM-CTC v3.2 medium1.01Bhttps://huggingface.co/espnet/owsm_ctc_v3.2_ft_1B
OWSM-CTC v4 medium1.01Bhttps://huggingface.co/espnet/owsm_ctc_v4_1B

Citations

OWSM v4

@inproceedings{owsm-v4,
  title={{OWSM} v4: Improving Open Whisper-Style Speech Models via Data Scaling and Cleaning},
  author={Yifan Peng and Shakeel Muhammad and Yui Sudo and William Chen and Jinchuan Tian and Chyi-Jiunn Lin and Shinji Watanabe},
  booktitle={Proceedings of the Annual Conference of the International Speech Communication Association (INTERSPEECH)},
  year={2025},
}

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
059604e

0 моделей