OWSM-CTC v4
- Poids ouverts
- Licence : CC BY 4.0
En bref : 42e sur 53 en transcription en anglais (Open ASR).
Présentation
Modèle ouvert de reconnaissance vocale multilingue, de type encodeur seul avec décodage CTC non autorégressif, qui fait aussi de la traduction de la parole et de l'identification de la langue. Il reproduit l'entraînement de type Whisper sur 320 000 heures de données audio publiques, avec code, poids et journaux d'entraînement publiés. Lu sur huggingface.co, le 17/10/2026.
- Sortie
- 31 mai 2025 lu sur la page de l'éditeur
- Taille
- 1,01 milliard de paramètres lu sur la page de l'éditeur
Langues
- Annoncées par l'éditeur : multilingue, nombre de langues non annoncé. Lu sur huggingface.co.
- Évaluées par nos sources : anglais.
- Le français : pas évalué en français par nos sources.
Son classement
Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.
- En anglais · Transcription
Transcription en anglais, Open ASR
42e sur 53taux d'erreur par mot 8,08 %
Vitesse : RTFx 775 : transcrit 775 secondes d'audio par seconde de calculPar jeu de test : AMI-Cleaned 11,10 %, Earnings22-Cleaned-AA-chunked 10,31 %, Gigaspeech-Cleaned 9,29 %, LS Clean 2,11 %, LS Other 4,38 %, Private (conversational) 16,10 %, Private (scripted) 6,41 %, SPGISpeech 2,31 %, URGENT24 16,12 %, Voice Arena Monsoon 6,66 %, Voxpopuli-AA-Cleaned 4,09 %
Source : Open ASR Leaderboard, Hugging Face · relevé du 19 octobre 2026, version du 17 octobre 2026.
Modèles proches
- Transcription en anglais, Open ASR : devant, Whisper Large v3 Turbo (41e, 7,64 %) · derrière, omniASR-LLM-7B-v2 (43e, 8,13 %)
Comment lire ces chiffres
Transcription : Le taux d'erreur par mot compte les mots mal transcrits, oubliés ou ajoutés, pour cent mots prononcés : plus il est bas, mieux c'est. Chaque tableau vient d'une seule source, sur ses propres enregistrements : deux tableaux ne se comparent pas chiffre à chiffre.
D'où vient cette fiche
- Nom dans les sources
- Hugging Face (hf-audio) :
espnet/owsm_ctc_v4_1B - Fiche
- Registre de QUELLE IA, lu sur https://huggingface.co/espnet/owsm_ctc_v4_1B/raw/main/README.md (« The code, pre-trained model weights, and training logs are publicly released to promote open science in speech foundation models. »), 17/10/2026.
- Pages lues
- https://huggingface.co/espnet/owsm_ctc_v4_1B/raw/main/README.md (« is a novel encoder-only speech foundation model based on hierarchical multi-task self-conditioned CTC. It supports multilingual speech recognition, speech translation, and language identification within a single non-autoregressive model. »), 17/10/2026
- https://huggingface.co/espnet/owsm_ctc_v4_1B/raw/main/README.md (« is trained for three epochs on 320k hours of public audio data covering multilingual speech recognition, any-to-any speech translation, and language identification. »), 17/10/2026
- https://huggingface.co/espnet/owsm_ctc_v4_1B/raw/main/README.md (« The code, pre-trained model weights, and training logs are publicly released to promote open science in speech foundation models. »), 17/10/2026
- https://huggingface.co/espnet/owsm_ctc_v4_1B/raw/main/README.md (« | OWSM-CTC v4 medium | 1.01B | https://huggingface.co/espnet/owsm_ctc_v4_1B | »), 17/10/2026
- https://arxiv.org/html/2506.00338v1 (« arXiv:2506.00338v1 [cs.CL] 31 May 2025 »), 17/10/2026
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.