Distil-Whisper

Tsy mandeha amin'ny STT.ai ity modely ity. Lazan'ny rohy momba azy io pejy io. Adikao amin'ny modely ampiasaintsika →
5.8%
WER
99
Teny
48.0x
Hafainganan'ny fanovana
MIT
Lisansa

Mombamomba Distil-Whisper

Ny fisiana ara-daharampehintany ary ara-daharanjarahasin'ilay kaominina dia 49.99° ary 1.00° amin'ny soratra desimaly. ny kaominina dia manana fari-piainana antonontonony ary misy tendrombohitra be.

Fanontaniana matetika

Ny Distil-Whisper dia modely fanononana-ho-soratra avy amin'ny Hugging Face. Tsy mandeha amin'izao fotoana izao ny Distil-Whisper amin'ny STT.ai — fampahalalana iantsoana momba ilay modely ity pejy ity. Ho an'ny fanoratana amin'ny STT.ai, dia manolotra ny fianakavian'ny Whisper (Turbo, Large V3, Medium, Small) ny mpifidy modely.

Ny fiteny anglisy dia manana fiteny fototra 8, izay mizara ho fiteny anglisy fototra, fiteny anglisy fototra 2, fiteny anglisy fototra 3 ary fiteny anglisy fototra 4.

Tsy misy ny Distil-Whisper amin'ny STT.ai. Ny fepetran'ny fahazoan-dàlana manokana no mifehy ny fandefasana azy. Ny ambaratonga maimaimpoana amin'ny STT.ai dia ahitana ny modely Whisper izay alefantsika — 600 minitra hanombohana, avy eo fanampiana maimaimpoana isam-bolana.

Avy amin'ny MIT, fahazoan-dàlana malalaka, no namoahana ny Distil-Whisper. Afaka mametraka ny Distil-Whisper amin'ny solosainao ianao na mampiasa ny kinova napetrakay — samy azo ampiasaina amin'ny varotra daholo izy roa ireo.

Ny Distil-Whisper dia mandray an-tànana ny fiteny 99. Ny famantarana hoazy dia misafidy ny fiteny mety amin'ny ankamaroan'ny feo; azonao atao koa ny milaza izany amin'ny tanana mba hahazoana fitomboana kely amin'ny fahamarinana.

Ny Distil-Whisper dia mandray feo amin'ny hafainganam-pandeha 48.0x eo ho eo amin'ny GPU-ntsika. Ny rakitra audio 1 ora dia vita ao anatin'ny 1 minitra; ny rakitra lava kokoa dia miandry ary omena fampandrenesana amin'ny mailaka rehefa vita.

Manana sivana 756M ny Distil-Whisper. Ny modely lehibe kokoa dia mety ho marina kokoa nefa miharatsy; ny STT.ai dia miahy ny Distil-Whisper amin'ny GPU ka tsy misy fiantraikany amin'ny fahombiazan'ny mpivatsy ny isan'ny sivana.

Manaiky ny endrika rehetra raisin'ny STT.ai an-tànana ny Distil-Whisper — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, ary ny hafa. Ny vokatra dia TXT, SRT, VTT, DOCX, JSON, na PDF.

Eny. Miaraka amin'ny Distil-Whisper ny diarization-n'ny mpiteny ho an'ny fandikana tsirairay — misy ny marika ho an'ny mpiteny tsirairay ary afaka manova ny anarany ao amin'ny mpanova lahatsoratra ianao aorian'izay.

Eny. Distil-Whisper no mandeha ao anatin'ny tontolo iainana fehezinay — ny feo dia voasarika sy fafàna araka ny lasitra ary tsy ampiasaina mihitsy ho an'ny fanazarantena raha tsy misy fankatoavana mazava. Ny drafitra Pro dia mampiditra ny fanafangoana amin'ny lafiny mpivatsy ho an'ny dikan-teny tsy miasa.

Ampiasao ny fitaovana compare-stt handefasana ny Distil-Whisper amin'ny modely hafa raisina an-tànana amin'ny feo mitovy — hahita ny WER, ny isan'ny faritra, ny mari-tsoratra amin'ny mpandahateny, ary ny isa azo antoka mifampitohy ianao. Ny fampitahana ny Distil-Whisper amin'ny Whisper Large V3 no ampiasaina matetika indrindra.

Eny. Lazao ny "distil-whisper" ho toy ny singa mpifehy modely amin'ny /v1/transcribe endpoint. Ny SDK'ny Python sy ny Node.js dia ahitana ohatra Distil-Whisper. Ny ambaratonga API maimaimpoana dia ahitana 100 minitra isan-bolana.

Eny. Satria manana fahazoan-dàlana MIT ny Distil-Whisper, afaka mikarakara azy ianao. Ny pejy loharano misokatra an'ny STT.ai dia manome lisitra ny repository sy ny lanjany. Ny ankamaroan'ny ekipa mpamokatra dia mampiasa ny kinova nokarakarainay mba tsy hijerena ny fividianana GPU, ny fifanakalozana modely, ary ny ops.