يقلّص Whisper Large-v3 Turbo من OpenAI وحدة فك التشفير من 32 طبقة إلى 4، ليخفض عدد المعلمات من 1.55B إلى 809M. في اختباراتنا على Apple Silicon، نسخ المقطع الصوتي نفسه أسرع بنحو 5× وبدقة شبه مطابقة. يوفره Whisper Notes على Mac وiPhone.
V3 Turbo مقابل V3: ما الذي تغيّر
Turbo ليس بنية جديدة. إنه نفس نموذج Whisper Large-v3 تمامًا مع تقليم وحدة فك التشفير من 32 طبقة إلى 4، ثم ضبطه الدقيق لاستعادة الدقة. يبقى المشفّر دون تغيير.
| Large-v3 Turbo | Large-v3 | |
|---|---|---|
| المعلمات | 809M | 1,550M |
| طبقات فك التشفير | 4 | 32 |
| اللغات | 100+ | 100+ |
| مهمة الترجمة | غير مدعومة | مدعومة |
| الترخيص | MIT | Apache 2.0 |
طريقة القياس: نُسخ الملف الصوتي نفسه (10 دقائق) في نسخة Whisper Notes نفسها على كل جهاز مذكور. الأزمنة هي ثوانٍ فعلية من بدء النسخ حتى ظهور النص النهائي؛ ولم يتغير سوى النموذج بين V3 وTurbo.
تم استبعاد مهمة الترجمة صراحةً من بيانات تدريب Turbo. يدعمها نموذج Large-v3 الكامل، لكن Whisper Notes يشحن Turbo فقط — وتتم الترجمة بشكل منفصل عبر Apple Intelligence.
النموذج الأساسي: ما هو Whisper Large-v3؟
Whisper Large-v3 هو نموذج OpenAI الرائد مفتوح المصدر للتعرف على الكلام، وقد صدر في نوفمبر 2023. يضم 1.55 مليار معامل، ويستخدم مدخل مخطط طيفي بـ 128 نطاق mel، ودُرّب على 5 ملايين ساعة من الصوت (مليون ساعة موسومة وسماً ضعيفاً + 4 ملايين ساعة موسومة وسماً زائفاً)، ويدعم أكثر من 100 لغة. وعلى لوحة صدارة Hugging Face Open ASR يبلغ متوسط معدل خطأ الكلمات لديه نحو 7.4% — وهو سقف الدقة الذي يُقاس Turbo مقابله في هذا المقال بأكمله. ولمعرفة موقع Large-v3 مقارنةً بكل النماذج الأخرى العاملة على الجهاز، راجع مقارنة نماذج Whisper لدينا.
اختبار السرعة: Whisper Notes على Apple Silicon
في Whisper Notes لنظام Mac، يعمل Turbo عبر CoreML على Neural Engine. معالجة 10 دقائق من الصوت:
| الجهاز | Whisper V3 | V3 Turbo | التسريع |
|---|---|---|---|
| iPhone 15 Pro | 425 s | 82 s | 5.2× |
| iPad Pro M2 | 380 s | 71 s | 5.4× |
| MacBook Pro M2 | 316 s | 63 s | 5.0× |
التسريع بمقدار 5× خاص بـ Whisper Notes على Apple Silicon، حيث يستفيد فك التشفير الأصغر من تحسين Neural Engine. على GPU مع أطر عمل مثل faster-whisper، تتقلص الفجوة إلى ~2.7× (انظر اختبارات المجتمع أدناه).
الدقة: مقارنة WER
يختبر Hugging Face Open ASR Leaderboard كلا النموذجين على نفس مجموعات البيانات الإنجليزية. معدل خطأ الكلمات (WER) لـ Turbo يقع ضمن نصف نقطة من V3 عبر جميع الاختبارات:
| مجموعة البيانات | V3 Turbo WER | V3 WER |
|---|---|---|
| LibriSpeech Clean | 2.10% | 2.01% |
| LibriSpeech Other | 4.24% | 3.91% |
| GigaSpeech | 10.14% | 10.02% |
| Earnings22 | 11.63% | 11.29% |
| AMI | 16.13% | 15.95% |
| متوسط WER | 7.83% | 7.44% |
V3 أكثر دقة بقليل في كل مجموعة بيانات، لكن الفرق صغير — 0.39 نقطة مئوية في المتوسط. في معظم حالات النسخ الواقعية، لن تلاحظ الفرق.
في تقييم YouTube-commons للتسجيلات الطويلة (أحد أكبر اختبارات ASR المفتوحة المصدر)، يسجّل Turbo نسبة 13.40% WER مقابل 13.20% لـ V3 — بينما يعمل بمعامل سرعة 129.5× مقابل 55.3×. أي أسرع بـ 2.3× مع دقة شبه مطابقة على الصوت الحقيقي.
ما مدى دقة Turbo في الكورية والروسية واللغات الأخرى؟
الاختبارات أعلاه خاصة بالإنجليزية. وبحسب بطاقة نموذج OpenAI، فإن وحدة فك التشفير المقلَّمة ذات الطبقات الأربع في Turbo تكلّف قدراً أكبر قليلاً من الدقة في اللغات غير الإنجليزية مقارنةً بالإنجليزية، ويظهر التراجع الأكبر في اللغات منخفضة الموارد. بالنسبة للروسية ومعظم اللغات الأوروبية، يبقى Turbo قريباً من Large-v3 الكامل — وإذا كنت تستخدم Whisper Notes، فإن Parakeet V3 يغطي الروسية و24 لغة أوروبية أخرى بسرعة تفوق Whisper بعشرة أضعاف.
أما للكورية واليابانية والصينية والكانتونية، فالنموذج المصمم خصيصاً لها أسرع وأفضل في علامات الترقيم: ينسخ SenseVoice لغات CJK بسرعة 52 ضعف الزمن الحقيقي. ويشحن Whisper Notes نموذج SenseVoice إلى جانب Turbo على كل من Mac وiOS، لتختار النموذج المناسب لكل لغة بدلاً من تمرير كل شيء عبر نموذج واحد.
اختبارات المجتمع: GPU و CPU
تُظهر الاختبارات المستقلة من مجتمعات faster-whisper و whisper.cpp نتائج متسقة عبر مختلف الأجهزة. نسخ 13 دقيقة من الصوت باستخدام faster-whisper على GPU:
| النموذج | الدقة | الوقت | ذاكرة GPU | WER |
|---|---|---|---|---|
| Large-v3 Turbo | fp16 | 19.2 s | 2,537 MB | 1.92% |
| Large-v3 | fp16 | 52.0 s | 4,521 MB | 2.88% |
| Large-v3 Turbo | int8 | 19.6 s | 1,545 MB | 1.92% |
| Distil-Large-v3 | fp16 | 26.1 s | 2,409 MB | 2.39% |
المصدر: اختبار faster-whisper على GPU من NVIDIA، مقطع التحقق النظيف من LibriSpeech. يستخدم Turbo int8 فقط 1.5 GB من VRAM — يتسع في GPU بسعة 2 GB.
المعالجة المجمّعة على RTX 3060 Laptop (6 GB VRAM، دقة int8) تزيد الميزة أكثر:
| النموذج | تسلسلي | مجمّع (10) | WER مجمّع |
|---|---|---|---|
| Large-v3 Turbo | 46.1 s | 18.7 s | 7.7% |
| Large-v3 | 230.8 s | 43.0 s | 7.9% |
| Large-v2 | 178.3 s | 43.2 s | 8.8% |
| Medium | 113.3 s | 26.3 s | 8.9% |
المصدر: اختبار NilaierMusic، Intel i7-12650H + RTX 3060 Laptop 6 GB، صوت فرنسي، دقة int8.
مع المعالجة المجمّعة، يحقق Turbo أفضل WER بين جميع النماذج المختبرة (7.7%) وهو الأسرع في نفس الوقت. إنه الخيار الأمثل للاستخدام الإنتاجي.
Turbo مقابل Medium مقابل جميع أحجام نماذج Whisper
قبل Turbo، كان Medium هو الحل الوسط المعتاد: دقة مقبولة بسرعة محتملة. Turbo يجعل هذه المفاضلة بلا معنى — فبمعلماته البالغة 809M لا يكاد يتجاوز حجم Medium (769M)، لكنه يقدم دقة من فئة النماذج الكبيرة بسرعة تفوقه بعدة أضعاف. إليك عائلة النماذج كاملة جنباً إلى جنب:
| النموذج | المعلمات | الحجم على القرص | السرعة النسبية | فئة الدقة |
|---|---|---|---|---|
| tiny | 39M | ~75 MB | ~10× | الأدنى |
| base | 74M | ~142 MB | ~7× | منخفضة |
| small | 244M | ~466 MB | ~4× | متوسطة |
| medium | 769M | ~1.5 GB | ~2× | عالية |
| large-v3 | 1,550M | ~2.9 GB | 1× (الأساس) | الأعلى |
| large-v3-turbo | 809M | ~1.6 GB | ~5× على Apple Silicon | قريبة من الأعلى |
صدر Turbo في 30 سبتمبر 2024، ويبلغ حجمه 809M معامل. إذا كنت تختار Medium لتوفير مساحة القرص أو كسب السرعة، فإن Turbo يتفوق عليه الآن في الدقة والسرعة معاً بمساحة مماثلة تقريباً.
القيود المعروفة (وكيف يتعامل معها Whisper Notes)
لا ترجمة مدمجة
تم تدريب Turbo بدون بيانات ترجمة. ينسخ بلغة المصدر فقط — بخلاف Large-v3 الذي يدعم ترجمة الصوت إلى الإنجليزية.
Whisper Notes — يترجم Apple Intelligence النصوص تلقائيًا إلى اللغة التي تختارها، مما يوفر مخرجات ثنائية اللغة بغض النظر عن النموذج المستخدم.
هلوسة أكثر مع الصوت المشوّش
تشير تقارير المجتمع إلى أن Turbo يهلوس أكثر مع المقاطع القصيرة جدًا أو التسجيلات المشوّشة مقارنةً بـ V3. متوقع نظرًا لتقليص وحدة فك التشفير (4 طبقات مقابل 32).
Whisper Notes — يُشغّل Pyannote VAD قبل النسخ، يكتشف مقاطع الكلام ويزيل الصمت/الضوضاء حتى يعالج النموذج الصوت الحقيقي فقط.
أي نموذج يجب أن تستخدم؟
| الإنجليزية / الأوروبية | Parakeet V3 — أسرع 10× من Whisper، دقة أعلى |
| الصينية / اليابانية / الكورية | SenseVoice — مصمم لـ CJK، سرعة 52× |
| لغات أخرى | Whisper Large V3 Turbo — 100+ لغة، دقة عالية، أبطأ |
الأسئلة الشائعة حول Whisper Large-v3 Turbo
ما الفرق بين Whisper Large-v3 وLarge-v3 Turbo؟
يحتفظ Large-v3 Turbo بمشفّر Large-v3 نفسه لكنه يقلّص وحدة فك التشفير من 32 طبقة إلى 4. لهذا فهو أسرع بكثير مع بقائه قريباً من دقة Large-v3 في النسخ. والمقابل هو أن Turbo لا يدعم مهمة الترجمة المدمجة في Whisper.
هل يدعم faster-whisper نموذج Large-v3 Turbo؟
نعم. يدعم faster-whisper نموذج Large-v3 Turbo عبر تحويلات CTranslate2، وتُظهر اختبارات المجتمع أن Turbo خيار قوي عندما تكون ذاكرة VRAM محدودة. في الاختبار أعلاه، استهلك Turbo بدقة int8 نحو 1.5 GB من VRAM.
هل يدعم whisper.cpp نموذج Large-v3 Turbo؟
نعم. يستطيع whisper.cpp تشغيل النسخ المحوَّلة بصيغ GGML/GGUF من Whisper Large-v3 Turbo. إذا كنت تبني خط نسخ محلي خاص بك، فغالباً ما يكون Turbo أسهل ملاءمة للأجهزة الاستهلاكية من Large-v3 الكامل.
من أين يمكن تنزيل openai/whisper-large-v3-turbo؟
أوزان النموذج الرسمية متاحة من OpenAI على Hugging Face. ولا يحتاج مستخدمو Whisper Notes إلى تنزيلها يدوياً: يتولى تطبيق Mac إعداد النموذج المحلي عبر واجهة التطبيق.
هل تقارن جميع الخيارات المحلية؟ كل نماذج تحويل الكلام إلى نص على الجهاز — متغيرات Whisper وParakeet V3 وSenseVoice وVoxtral — تُعرض جنباً إلى جنب في صفحة مقارنة نماذج Whisper لدينا. جديد على Whisper نفسه؟ ابدأ بـ دليل النسخ باستخدام Whisper — ما هو النموذج، وكل طرق تشغيله، وكم يكلف.
تحميل لنظام iOS