/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
openvoicestream
Опубликована
27 авг 2026

whisper-edge

Распознавание речиАудио → текст

Набор оптимизированных компонентов Whisper для распознавания английской речи на периферийных ускорителях Hailo и Rockchip с CPU-декодированием.

0скачиваний за 30 дней0лайковвеса обновлены27 авг 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

harvestsu/whisper-edge — набор компонентов для распознавания английской речи на периферийных устройствах. В репозитории находятся скомпилированные энкодеры Whisper для ускорителей Hailo-8 и Rockchip RK3588/RK3576, а также соответствующие CPU-декодеры в формате ONNX; компоненты используются бэкендом Whisper в openvoicestream. Энкодеры рассчитаны на модели tiny и base с фиксированными окнами обработки аудио.

Архитектура разделяет вычисления: энкодер работает на ускорителе, а авторегрессионный декодер — на CPU. В README приведены измерения, где такой подход ускорил обработку и снизил WER на отдельных устройствах. Размер окна должен соответствовать конкретной сборке, а декодеры tiny и base нельзя переставлять местами. Репозиторий содержит ONNX-файлы; в метаданных указана библиотека openvoicestream. Компоненты происходят из примеров Hailo, конвертаций Rockchip и экспортов OpenAI Whisper. Применяются исходные лицензии соответствующих компонентов; метаданные обозначают лицензию как other.

Сценарии применения

  • распознавание английской речи на устройствах Hailo-8
  • распознавание речи на платах Rockchip RK3588 и RK3576
  • локальная транскрибация аудио на периферийном устройстве
  • обработка аудиозаписей фиксированными окнами 5 или 10 секунд

Ограничения

Предназначено прежде всего для английской речи; в README отмечена низкая точность на китайском. Размер аудиоокна должен соответствовать сборке энкодера, а варианты tiny и base требуют совместимых декодеров.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-edge

Whisper encoders compiled for edge accelerators, plus the CPU decoders they pair with.

Consumed by openvoicestream's voxedge.backends.whisper backend; server/core/model_downloader.py fetches from this repo. Measurements across five boards, and the reasoning behind each choice, are in docs/perf/whisper-cross-device-20260827.md there.

Layout

PathFor
encoder/hailo/tiny-whisper-encoder-10s_15dB.hefHailo-8, tiny, 10 s window
encoder/hailo/base-whisper-encoder-5s.hefHailo-8, base, 5 s window
encoder/rk/whisper_encoder_base_10s.rknnRK3588 / RK3576, base, 10 s window
encoder/rk/whisper_encoder_base_20s.rknnRK3588, base, 20 s window
encoder/jetson/enc_base_30s.onnxJetson — input for an on-device TensorRT build
decoder/base/Shared by every base encoder above
decoder/tiny/Hailo tiny only
mel_80_filters.txt, vocab_en.txt, vocab_zh.txtShared front end and vocabulary

Notes

The decoder runs on the CPU deliberately. Neither vendor's NPU decoder has a KV cache — Hailo compiles a fixed 32-token sequence, Rockchip a 12-slot sliding window — so both recompute the whole sequence every autoregressive step. Running the encoder on the accelerator and the decoder as a CPU ONNX graph measured both faster and more accurate on every board: RK3588 English long-form went 10.44% → 7.58% WER while RTF went 0.149 → 0.061.

tiny and base decoders are not interchangeable (4 layers / d384 against 6 / d512). Crossing them produces fluent nonsense rather than an error.

Build the Jetson engine with --bf16, not --fp16. The fp16 build of that encoder graph scores cosine 0.826 against onnxruntime and fails silently — the decoder emits fluent text that drifts off-topic. bf16 scores 0.9996 and matches fp32's error rates. Passing --fp16 --bf16 together yields an engine bit-identical to the pure fp16 one.

The window is fixed at compile time. It must match the seconds in the filename; rknn-lite does not validate it, and a mismatch reinterprets the buffer and returns plausible nonsense rather than an error.

Whisper here is for English. Chinese CER measured 35–56% across every board, which is Whisper base/tiny's own ceiling rather than anything a faster accelerator fixes. Use Paraformer, SenseVoice or Qwen3-ASR for Chinese.

Provenance

The Hailo HEFs come from Hailo's own edge_whisper example assets and the RKNN encoders from Rockchip's model zoo conversion flow; the ONNX decoders are optimum exports of OpenAI Whisper. Original licences apply to each.

Как запустить

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

GPU в ailist

Универсальный рантайм · openvoicestream

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
e318664

0 моделей