Show XO: 端末内で音声を文字に変換する16.9MBのモデル Whistleを公開(cactuscompute.com)

- Whistleは音声を文字に変換するモデルで、開発元のCactusによると、ファイル一つのサイズは16.9MBです。原文では、別途の依存関係なしにCPUで動作すると説明されています。 - 英語、ドイツ語、フランス語、スペイン語、イタリア語、オランダ語、ポーランド語を含む7言語に対応し、一度に最大30秒まで処理できます。言語を指定しない場合は自動で検出します。 - 単語ごとに開始時刻と終了時刻、確率を併せて出力する機能があります。keywordsに名前などの表現を渡すと、検索時にその表現が選ばれる確率が高まるとされています。 - 性能の数値は開発元が測定した結果です。Apple M4 Pro CPUで、音声の長さ10秒、ビームサイズ5の条件で測定した最初のトークンまでの時間は11.1msで、同じ条件のWhisper baseは73.2msと比較されています。 - 精度は項目によって異なります。原文には、LibriSpeech、SPGISpeech、Earnings-22、FLEURSの平均ではWhistleが優れ、TED-LIUM、AMI、MLSの平均ではWhisper baseが優れていると記されています。