Аудиоantonbanderi
Duovid Whisper
албанский ASR прямо на устройстве
1 мин чтенияобновлено
Это упаковка файнтюна Flutra/whisper-large-v3-turbo-sq-v2 для офлайн-распознавания албанской речи. Для iOS — Core ML 6-bit под WhisperKit (~589 MB), для Android — GGML q5_0 под whisper.cpp (~574 MB). Веса и качество — от Flutra, автор репозитория менял только формат и квантование.
🤖 Ключевые особенности
- 👌 Основа — Whisper large-v3-turbo, дообученный под албанский (Shqip).
- 🔥 Core ML-сборка сжата 6-bit palettization: ~1.6 GB → ~589 MB.
- 💯 GGML q5_0 для Android: ~574 MB, всего на 0.2 WER хуже q8_0.
- 🧐 На незнакомой речи (VoxForge) WER 18.8% против 44.9% у stock-модели.
- 👀 Поддержка word timestamps, VAD chunking; RTF ≈0.04 на M-series Mac.
- ⛔ 4-bit сборку отклонили: WER превысил 100%.
👌 Пример
let folder = try await WhisperKit.download(variant: "duovid_whisper-large-v3-turbo-sq_pal6bit_589MB", from: "antonbanderi/fjale")
let kit = try await WhisperKit(WhisperKitConfig(model: "duovid_whisper-large-v3-turbo-sq_pal6bit_589MB", modelRepo: "antonbanderi/fjale", modelFolder: folder.path, download: false))
let result = try await kit.transcribe(audioPath: path, decodeOptions: DecodingOptions(language: "sq", detectLanguage: false, wordTimestamps: true, chunkingStrategy: .vad))Подробнее
WER: 11.3% у Core ML 6-bit и 10.4% у GGML q5_0; на VoxForge — 18.8%.Размеры: ~589 MB Core ML и ~574 MB GGML; RTF ≈0.04 на M-series Mac.
Ограничения: тест всего на 7 клипах (~7 мин), разницу меньше ~1 WER-пункта считать шумом.
Лицензия: веса принадлежат Flutra и не распространяются под MIT; конвертация и квантование лицензию не меняют.
Комментарии