El modelo cactus Whistle supera al modelo whisper base en el rendimiento de reconocimiento de voz

Un análisis reciente compara el modelo Cactus Whistle, un modelo de conversión de voz a texto de 16,9 MB de Cactus Compute, con Whisper Base y Tiny en un procesador Apple M4. El estudio revela que Whistle logra una tasa de error de palabras (WER) del 10,47% en el conjunto de datos de prueba 'test-other', lo que casi iguala su puntuación completa publicada de 10,49%. Supera al Whisper Base 'greedy' en un subconjunto emparejado en 2,19 puntos, aunque la diferencia no es significativa frente a la búsqueda de haz. Whistle es 5,7 veces más rápido que el Whisper Base 'greedy' en un fragmento de 10 segundos, aunque su ventaja de velocidad se reduce con audio más largo. El modelo también maneja el streaming con fragmentos de un segundo, cometiendo palabras una mediana de 1,68 segundos después de que finalizan. Sin embargo, el límite de 30 segundos hace que el motor 'pinned' pierda la mitad del audio más largo, lo que destaca la necesidad de dividir o transmitir. El estudio enfatiza la importancia de fijar las revisiones del repositorio y utilizar un único normalizador para comparaciones justas.