OWSM v4

OWSM v4

用 OWSM v4 模型转写语音、在语言之间翻译、识别说的是哪种语言并解码长录音，可选文字提示词。适合语音研究者和想测试多语言音频的人。

由 espnet 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的，应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么：OWSM v4 是 ESPnet 项目的语音模型演示。它支持 151 种语言输入，输出 25 个翻译目标，你还可以用文字提示词来引导它。它能做语音识别、任意语言到任意语言的语音翻译、语言识别和长录音解码。这个 Space 在 ZeroGPU 硬件上运行 owsm_v4_medium_1B 模型。

适合谁：适合语音研究者、开发者，以及手里有多语言录音、想测试开源语音模型的人。

Industry | Who uses it | How they use it | Example
语音研究 | 研究者 | 在同一段音频上比较编码器解码器模型和 CTC 演示 | 研究者把一个片段分别在两个演示里跑一遍。
媒体与档案 | 档案管理员 | 转写多种语言的录音 | 档案管理员上传一段采访，阅读文字稿。
本地化 | 译者 | 获取口语音频的翻译初稿 | 译者为一段短录音选择目标语言。
软件 | 开发者 | 阅读演示怎样加载模型并申请 GPU 时间 | 开发者打开 app.py，看设备是怎么选的。

如果你的录音超过两分钟，托管演示不会接收，但本地副本可以。

用在哪里：

• 网页浏览器，通过 Hugging Face 上的 Space 页面
• Windows、macOS 或 Linux 上的本地副本，使用 Python 3.12

Use case | Who | What they get back
语音识别 | 任何人 | 音频的文字稿
语音翻译 | 译者 | 译成 25 种目标语言之一的语音
语言识别 | 研究者 | 说话人使用的语言
长录音 | 开发者 | 在本地运行，解码超过托管限制的音频

如何设置：

• Python 3.12，因为项目需要 3.12 或 3.13
• requirements.txt 里的 Python 包
• 想快的话需要 GPU，不过 DEVICE 设置可以强制使用 CPU

1. 安装 huggingface_hub 包。
2. 把这个 Space 下载到名为 owsm-v4 的本地文件夹。
3. 进入这个文件夹。
4. 安装 6.27.0 版本的 gradio。
5. 安装 requirements.txt 里列出的包。
6. 启动应用。

pip install -U huggingface_hub
hf download espnet/owsm-v4 --repo-type space --local-dir owsm-v4
cd owsm-v4
pip install gradio==6.27.0
pip install -r requirements.txt
python app.py

如何使用：打开 Space 页面，或者用下面的命令在本地启动应用。上传或录制音频，选一个任务，如果愿意，再加一段文字提示词。托管演示最多接收两分钟的音频。

python app.py

Tool | What it does
语音识别 | 把语音转成文字
任意语言互译 | 把语音转成另一种语言
语言识别 | 检测说的是哪种语言
长录音解码 | 处理比一个窗口更长的录音
文字提示词 | 引导解码器，这个模型支持它

仓库里还有第二个演示 OWSM-CTC v4，所以你可以在同一段音频上比较两者。

Aspect | This demo | The CTC demo
模型 | owsm_v4_medium_1B，编码器解码器 | owsm_ctc_v4_1B，仅编码器
解码 | 束搜索 | 每个 30 秒窗口做一次编码器前向
文字提示词 | 支持 | 不支持

示例：你上传一段大约一分钟的录音，选择语音识别，提示词留空。演示返回文字稿。然后你把任务切换成翻译，并选一个目标语言。

新手与专家：如果你是新手，先上传一个短片段，运行语音识别。这能让你在尝试翻译或提示词之前，看到模型听到了什么。

如果你熟悉这个领域，演示页面来自 ESPnet 的演示模块，它从检查点里读出语言菜单、翻译目标和提示词选项。提示词出现在这里，是因为这个模型有可以引导的解码器。这个方法在一篇 Interspeech 2025 论文中有描述。

上传或录制音频
选择任务并加提示词
模型在一段 ZeroGPU 上运行
返回文字或翻译

Title: 语言覆盖
Languages in: 151 languages
Translation targets out: 25 languages

注意事项：

• 托管演示最多接收两分钟的音频，不过模型本身没有这个限制
• 设置 DEVICE=cpu 会强制用 CPU 运行，即使机器有 GPU
• License: apache-2
• Cost to run: 托管演示用 Hugging Face 上的 ZeroGPU 硬件，本地运行未提及
• Data it reaches: 你提供的音频
• Not for: 在托管演示上处理超过两分钟的录音

Hugging Face 上的数据（2026年11月13日）

• 点赞：1
• 构建方式：gradio
• 许可证：apache-2.0

链接

• Space：https://huggingface.co/spaces/espnet/owsm-v4
• 文件：https://huggingface.co/spaces/espnet/owsm-v4/tree/main

试用

在浏览器里打开这个 Space，或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。