Whisper Large v3 Turbo GGUF

OpenAI Whisper Large v3 的 Turbo 加速版本，支持100种语言的多语言语音识别标杆模型。

模型简介

Whisper Large v3 Turbo 是 OpenAI 推出的高效多语言语音识别模型：

• 基础版本：Whisper Large v3
• 优化类型：Turbo（速度优化版）
• 语言支持：100种语言，覆盖全球绝大多数语种
• 量化格式：GGUF (llama.cpp 兼容)
• 特点：多语言支持、高准确率、速度快于原版
• 适用场景：多语言转写、字幕生成、语音翻译

支持语言 (100种)

Whisper 支持的语言覆盖全球各大洲：

亚太语言

中文、粤语、日语、韩语、泰语、越南语、印尼语、马来语、菲律宾语、缅甸语、高棉语、老挝语、印地语、孟加拉语、乌尔都语、旁遮普语、古吉拉特语、泰卢固语、泰米尔语、卡纳达语、马拉雅拉姆语、僧伽罗语、尼泊尔语、藏语

欧洲语言

英语、德语、法语、西班牙语、葡萄牙语、意大利语、荷兰语、波兰语、俄语、乌克兰语、捷克语、斯洛伐克语、匈牙利语、罗马尼亚语、保加利亚语、塞尔维亚语、克罗地亚语、斯洛文尼亚语、希腊语、瑞典语、丹麦语、挪威语、芬兰语、爱尔兰语、威尔士语、巴斯克语、加泰罗尼亚语

中东和非洲语言

阿拉伯语、波斯语、土耳其语、希伯来语、阿姆哈拉语、斯瓦希里语、豪萨语、约鲁巴语、祖鲁语、南非荷兰语

其他语言

爪哇语、巽他语、阿塞拜疆语、哈萨克语、吉尔吉斯语、乌兹别克语、塔吉克语、土库曼语、格鲁吉亚语、亚美尼亚语

可用量化版本

注意：F16 版本已排除，推荐使用量化版本。

使用方法

llama.cpp 命令行

# 基础转写
./main -m whisper-large-v3-turbo-Q4_K_M.gguf -f audio.wav --output-txt

# 指定语言
./main -m whisper-large-v3-turbo-Q4_K_M.gguf -f audio.wav --language zh --output-txt

Python (llama-cpp-python)

from llama_cpp import Llama

llm = Llama(
    model_path="whisper-large-v3-turbo-Q4_K_M.gguf",
    n_gpu_layers=-1,
)

# 自动检测语言
result = llm.transcribe("audio.wav")
print(f"检测语言: {result['language']}")
print(f"转写文本: {result['text']}")

# 指定中文
result = llm.transcribe("audio.wav", language="zh")

whisper.cpp 风格

whisper-cpp -m whisper-large-v3-turbo-Q4_K_M.gguf -f audio.mp3 --output-srt

模型特点

多语言支持

支持 99+ 种语言，包括但不限于：

Turbo 优化

相比原始 Whisper Large v3：

• 速度提升：约 2-3 倍
• 精度保持：轻微下降但可接受
• 内存优化：更好的内存效率

性能基准

技术规格

• 架构：基于 Transformer 的编码器-解码器
• 采样率：16kHz
• 最大音频长度：30秒片段（可拼接处理长音频）
• 支持格式：WAV、MP3、FLAC 等

许可证

MIT License

致谢

• 原始模型：openai/whisper-large-v3-turbo
• GGUF转换：由 voconly 团队完成