Whistle, un modelo de voz a texto de 16.9MB que funciona en el dispositivo, presentado(cactuscompute.com)
Idioma del texto: coreanoVer en el idioma original
Resumen sencillo
- Whistle es un modelo que convierte la voz en texto y, según su desarrollador Cactus, un archivo ocupa 16.9MB. El texto original explica que funciona en CPU sin dependencias adicionales.
- Admite 7 idiomas, entre ellos inglés, alemán, francés, español, italiano, neerlandés y polaco, y puede procesar hasta 30 segundos a la vez. Si no se especifica un idioma, lo detecta automáticamente.
- Ofrece tiempos de inicio y fin y una probabilidad para cada palabra. Según el texto, pasar expresiones como nombres mediante keywords aumenta la probabilidad de que esas expresiones se elijan durante la búsqueda.
- Las cifras de rendimiento son resultados medidos por el desarrollador. En una CPU Apple M4 Pro, con 10 segundos de audio y un tamaño de haz de 5, el tiempo del primer token fue de 11.1 ms, y en las mismas condiciones Whisper base se midió en 73.2 ms.
- La precisión varía según el conjunto de pruebas. El texto original indica que Whistle supera en promedio a LibriSpeech, SPGISpeech, Earnings-22 y FLEURS, mientras que Whisper base supera en promedio a TED-LIUM, AMI y MLS.
Encontrado en
Hacker News ↗ / 631 votos / 136 comentarios
¿Te ha pasado algo parecido? Cuéntanos en una o dos líneas qué hiciste. No hace falta conocer el producto.