Distil-Whisper distil-large-v3

Distil-Whisper distil-large-v3

把英语语音转成文字，速度约为 Whisper large-v3 的 6.3 倍，长音频上的准确率仍很接近。适合需要转写录音的开发者和团队。

由 distil-whisper 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：distil-large-v3 是一个英语语音识别模型。它是 OpenAI 的 Whisper large-v3 的蒸馏小型版本，参数量 7.56 亿，而 large-v3 是 15.5 亿。它针对长录音的准确转写做了调整。

模型卡说它在长音频上的词错误率与 large-v3 相差不到 1%，速度快 6.3 倍。它可以配合 Transformers 和常见的 Whisper 库使用。

适合谁：适合需要在自己硬件上快速转写英语的开发者和团队，短片段和长录音都行。

Industry | Who uses it | How they use it | Example
媒体 | 播客和视频团队 | 转写录音，生成字幕和笔记 | 把访谈录音变成文字
软件 | 应用开发者 | 在产品里加入语音转文字 | 应用里的语音笔记功能
教育 | 讲师和学生 | 转写讲座以便搜索和复习 | 把录下来的课写成文字
研究 | 语音研究人员 | 对比蒸馏模型和完整 Whisper 模型 | 在自己的音频上测量错误率

如果你需要转写英语以外的语言，可以跳过它，因为模型卡只列了英语。

用在哪里：

• 使用 Hugging Face Transformers 库 4.39 或更高版本的 Python。
• Whisper cpp、Faster-Whisper 和 OpenAI Whisper，模型卡说它与这些库兼容。
• Transformers.js 和 Candle，模型卡也有涉及。
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件。

Use case | Who | What they get back
短片段转写 | 应用开发者 | 30 秒以内音频的文字
长录音转写 | 媒体团队 | 用顺序或分块方法得到的长音频文字
更快的流水线 | 工程师 | 换掉 large-v3 的更小模型，速度更快

如何设置：你需要 Python 和较新的 Transformers 库。

• Python
• Transformers 4.39 或更高版本，加上 accelerate 和 datasets
• GPU 是可选的，因为示例在没有 GPU 时会退回到 CPU
• 要转写的音频文件

1. 升级 pip。
2. 安装或升级 Transformers、accelerate 和带音频支持的 datasets。
3. 运行下面的短音频示例。

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

如何使用：把模型加载到语音识别流水线里，然后传入音频。这个示例转写一个来自小型测试数据集、短于 30 秒的片段。

import torch
from datasets import load_dataset

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

model_id = "distil-whisper/distil-large-v3"

    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,
    max_new_tokens=128,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

先在 它的密钥设置 里填上你自己的值。

要转写你自己的文件，把文件路径传给流水线，替换掉示例里的 sample：

result = pipe("audio.mp3")

Tool | What it does
pipeline | 包装模型，你传入音频就能得到文字
Short-form | 处理短于 30 秒的片段
Sequential long-form | 用 OpenAI 的顺序算法转写较长的音频
Chunked long-form | 把长音频切成块再把文字拼起来

示例：把名为 audio.mp3 的录音路径传给流水线。结果里的 text 键下就是转写出来的文字，你可以打印或保存。

新手与专家：如果你刚接触，语音识别模型就是听音频并把话写下来。先装好 Transformers，在测试片段上跑一次短示例，再换成你自己的音频文件。

对专家来说，这个模型经过蒸馏，使 Whisper 库默认使用的顺序长音频算法也能给出准确的输出。模型卡报告的长音频错误率是顺序 10.8、分块 10.9，而 large-v3 是 10.0 和 11.0。在顺序长音频上它优于 distil-large-v2，10.8 对 15.6。

安装 Transformers 及其辅助库
加载模型和处理器
构建语音识别流水线
传入音频片段或文件路径
从结果里读取转写文字

Title: 相对 large-v3 的速度，越高越快
large-v3: 1.0 times
distil-large-v2: 5.8 times
distil-large-v3: 6.3 times

注意事项：下面几点说明了限制和成本。

• Language: 只支持英语。
• License: MIT。
• Cost to run: 没有提到 API 密钥或付费服务。GPU 能加速，但不是必需的。
• Data it reaches: 它读取你给它的音频，示例还会从 Hugging Face Hub 下载一个测试数据集。
• Not for: 其他语言，或者不用长音频方法、一次性输入很长的音频。

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：transformers
• 参数量：756M
• Weights: about 1.5 GB in F16; about 378 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：754,155
• 点赞：386
• 许可证：mit
• 语言：en
• Quantized versions: 11
• Fine-tunes: 24
• 标签：transformers, tensorboard, onnx, safetensors, whisper, automatic-speech-recognition, audio, transformers.js

链接

• 模型：https://huggingface.co/distil-whisper/distil-large-v3
• 文件：https://huggingface.co/distil-whisper/distil-large-v3/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 distil-whisper/distil-large-v3

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。