/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
espnet
Опубликована
6 фев 2025

owsm_v4_small_370M

Распознавание речиАудио → текст

Мультиязычная модель OWSM v4 на 370 млн параметров для преобразования аудиоречи в текст.

236скачиваний за 30 дней4лайкавеса 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 v4 Small 370M — мультиязычная модель распознавания речи из семейства открытых моделей OWSM, разработанного исследовательской группой авторов статьи OWSM v4. Это вариант с архитектурой encoder-decoder для преобразования аудиоречи в текст; репозиторий распространяет веса в формате PyTorch и предназначен для работы с ESPnet.

Модель подходит для автоматической транскрипции речи на разных языках. Семейство также связано с задачами перевода речи и определения языка, но метаданные этой модели подтверждают только распознавание речи. В README приведена информация о статье OWSM v4, получившей награду Best Student Paper на INTERSPEECH 2025.

Размер, контекстное окно и конкретный перечень поддерживаемых языков для этого варианта в предоставленных данных не подтверждены. Модель распространяется по лицензии CC BY 4.0; при использовании необходимо соблюдать условия атрибуции.

Сценарии применения

  • транскрибация многоязычных аудиозаписей
  • распознавание речи в аудио
  • подготовка текстовых расшифровок выступлений
  • автоматическая транскрипция речевых данных для анализа

Ограничения

Предоставленные данные не подтверждают точный список поддерживаемых языков, размер контекстного окна или качество на конкретных наборах данных. Для практического применения требуется среда ESPnet.

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_v4_small_370M", 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)

🏆 News: Our OWSM v4 paper won the Best Student Paper Award at INTERSPEECH 2025!

Open Whisper-style Speech Model (OWSM) is the first fully open Whisper-style speech foundation model. It reproduces and advances OpenAI's Whisper-style training using publicly available data and open-source toolkits. The code, pre-trained model weights, and training logs are publicly released to promote open science in speech foundation models.

Inference examples can be found on our project page. The Gradio demo is here, which runs the 1B model.

OWSM v4 is the latest version in the OWSM series, which significantly outperforms OWSM v3.1 in LID and multilingual ASR. Additionally, OWSM v4 applies 8 times subsampling (instead of 4 times in OWSM v3.1) to the log Mel features, leading to a final resolution of 80 ms in the encoder. When running inference, we recommend setting maxlenratio=1.0 (default) instead of smaller values.

This repo contains a small-sized model with 370M parameters, developed by Yifan Peng (CMU). It is trained on 320k hours of public speech data. The newly curated data are publicly released: https://huggingface.co/datasets/espnet/yodas_owsmv4

It supports the following speech-to-text tasks:

  • Language identification
  • Speech recognition
  • Speech translation
  • Utterance-level timestamp prediction
  • Long-form recognition or translation

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 · espnet

Нельзя запустить

Модели ESPnet требуют отдельного рантайма.

Ревизия весов
abc8311

0 моделей