whisper-large-v3-turbo

whisper-large-v3-turbo

OpenAI 的更快的 Whisper 模型，用于语音识别和语音翻译，有 809M 参数，解码层只有 4 层。适合开发者和需要转写音频的人。

由 openai 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：whisper-large-v3-turbo 是 OpenAI 的语音识别模型。它把说话的音频转成文字，也能把语音翻译成英文。它有 8.09 亿参数。

它是 Whisper large-v3 经过剪枝和微调的版本，解码层从 32 层减到 4 层。卡片说这让它快了很多，质量只有小幅下降。

适合谁：适合需要把录音变成文字的开发者和团队，也适合想在自己机器上以更快速度得到 Whisper 质量的人。

Industry | Who uses it | How they use it | Example
媒体 | 记者和编辑 | 转写采访和录音 | 把一个音频文件变成文字
软件 | 开发者 | 给应用加上语音转文字 | 通过 Transformers 流水线运行
教育 | 老师和学生 | 给讲座和演讲配字幕 | 得到每句话的时间戳

如果你需要最高的准确度，可以跳过它，因为卡片说速度的提升会带来质量的小幅下降。

用在哪里：

• Python 程序，通过 Hugging Face Transformers 流水线
• 有 CUDA GPU 的电脑，或者只有 CPU 的电脑
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

Use case | Who | What they get back
转写 | 有录音的任何人 | 文字形式的口语内容
翻译成英文 | 多语言团队 | 来自其他语言语音的英文文字
时间戳 | 字幕制作者 | 句子或单个词的时间标记

如何设置：

• Python 和 pip
• Transformers 库，示例里还要 Datasets 和 Accelerate
• GPU 是可选的，因为示例会退回到 CPU

1. 安装这些库。
2. 加载模型和它的处理器。
3. 建一条流水线，把音频文件交给它。

pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate

如何使用：创建一条语音识别流水线，再用音频文件的路径去调用它。传入文件列表并设置批大小，它就能一次转写多个。

import torch

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3-turbo"

    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

result = pipe("audio.mp3")
print(result["text"])

先在 它的密钥设置 里填上你自己的值。

Option | What it does
pipe("audio.mp3") | 转写一个本地文件
pipe(list, batch_size=2) | 并行转写多个文件
generate_kwargs 里的 language | 当你已经知道语言时告诉模型
task 设为 translate | 把其他语言的语音变成英文文字
return_timestamps=True | 加上句子级时间戳
return_timestamps="word" | 加上词级时间戳

Title: 解码层数
Whisper large-v3: 32 层
Whisper large-v3-turbo: 4 层

示例：你把一段采访录音的路径交给流水线，再打印文字。加上词级时间戳选项，每个词还会有一个时间标记。

新手与专家：如果你刚接触语音识别，先跑文件示例，对照你听到的内容检查文字。然后再试时间戳。

如果你熟悉这个领域，卡片说 Transformers 支持 Whisper 的各种解码策略，包括温度回退和以前面的词元为条件。除非你传入语言，Whisper 会自己预测语言。

安装 Transformers 等库
加载模型和处理器
建一条语音识别流水线
传入音频文件并读出文字

注意事项：

• 模型用超过 5M 小时的带标注音频训练，卡片说它能在很多数据集上泛化
• 默认做转写，translate 任务则把语音变成英文文字
• 卡片一部分由 Hugging Face 团队写，一部分来自原始卡片
• Hugging Face 列出了别人做的 265 个量化版本和 683 个微调版本
• License: MIT
• Cost to run: 没有提到
• Data it reaches: 你下载的文件，以及你给它的音频
• Not for: 需要完整 large-v3 模型最高准确度的工作

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：transformers
• 参数量：809M
• Weights: about 1.6 GB in F16; about 404 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：4,969,987
• 点赞：3,524
• 许可证：mit
• 语言：en, zh, de, es, ru, ko, fr, ja
• 基于：openai/whisper-large-v3
• Quantized versions: 267
• Fine-tunes: 686
• 标签：transformers, safetensors, whisper, automatic-speech-recognition, audio

链接

• 模型：https://huggingface.co/openai/whisper-large-v3-turbo
• 文件：https://huggingface.co/openai/whisper-large-v3-turbo/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download openai/whisper-large-v3-turbo

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。