本文へスキップ

Whisper large-v3-turbo

99 言語に対応する高速な音声認識と翻訳

公式サイトを見る
カテゴリ AI音声認識

Whisper large-v3-turbo とは

本モデルは OpenAI が提案した自動音声認識と音声翻訳のモデルと紹介され、500 万時間超のラベル付きデータで学習し、ゼロショットで多くのデータセットや領域に一般化すると説明されている。

できること

  • 99 言語で音声の認識と翻訳を行う
  • 微調整なしで複数のデータセットや領域に一般化する
  • 長い音声ファイルを塊ごとに処理する
  • 元の音声の言語を自動で予測する

導入の手順

  • Transformers、Datasets、Accelerate の各ライブラリを導入する
  • Hugging Face Hub から AutoModelForSpeechSeq2Seq と AutoProcessor を読み込む
  • 自動音声認識のパイプラインを組み立てる
  • Hub のサンプルデータセットまたは手元のファイルから音声を用意する

モデルについて

  • Whisper large-v3 の微調整版である
  • デコーダ層を 32 から 4 に減らし速度を高めた
  • この削減で品質がわずかに下がる可能性がある

長所と短所

✓ 良い点

  • デコーダ層を 32 から 4 に減らし動作が速い
  • すべての Whisper デコード方式と互換

! 注意したい点

  • デコーダ層の削減で品質がわずかに下がる恐れ
  • 速度向上は微調整後の層削減による

よくある質問

対応言語は何種?

機能一覧は 99 言語の音声認識と翻訳を挙げる。

Whisper large-v3 との違いは?

デコーダ層を 32 から 4 に減らし速度を高めた点。

最終評価日: 2026-11-15

その他 AIオーディオツール ツール

すべて見る →

評価方法