我可以本地运行 Whisper Large v3 吗？

可以——权重采用 Apache 2.0 许可证发布，完整模型（safetensors、PyTorch、TensorFlow 和 Flax 格式）以 23 GB 种子形式提供，有合适硬件即可本地部署。

Whisper Large v3 支持哪些语言？

Whisper 在大规模多语言音频上训练，支持多语言转录和翻译，且为零样本能力；制造商未在此页面公布完整语言列表。

Whisper Large v3 与早期版本有何不同？

OpenAI 未在此页面详细说明差异，但 Large v3 是 Whisper 系列的顶级版本，现多数基准和集成默认采用此版本。

本周新上 · 查看趋势

Whisper large v3

7900°

#llm #openai #音频 #torrent #多语言 #本地

打开 OpenRouter

打开 Hugging Bay

openai | 语音模型 | Apache-2.0 许可证 | 23.0 GB 种子文件。语音识别主力。openai/whisper-large-v3（safetensors + pt + tf + flax）的完整镜像。Whisper 是一款先进的自动语音识别（ASR）和语音翻译模型，由 OpenAI 的 Alec Radford 等人在论文《Robust Speech Recognition via Large-Scale Weak Supervision》中提出。训练数据超过 500 万小时带标签数据，Whisper 展现了在零样本设置下对多种数据集和领域的强大泛化能力。

本模型的指南

按使用场景选最佳本地大语言模型（2026年10月）：每个任务的合适开源模型

什么是 Hugging Bay？一个开源模型的镜像索引，以及如何用哈希验证下载

开放权重 vs 开源 vs 仅API：你到底能做什么

如何安装 Ollama 并运行本地 AI（Windows、Mac、Linux）

什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）

全部指南

船长笔记

由 Captain 撰写，本站编辑

2026-10-13 的笔记

Whisper Large v3 是 OpenAI 的旗舰自动语音识别和语音翻译模型，训练数据超过五百万小时带标签音频。其规模赋予了强大的零样本泛化能力，支持多语言、多口音和多领域，无需微调。如果你需要开箱即用的可靠转录或翻译，这是大多数其他模型的性能标杆。

以……著称

强大的零样本泛化能力，支持多语言、多口音及嘈杂音频。
同一模型支持转录和语音到文本翻译。
训练数据超过五百万小时，语音模型中极为庞大。
提供多种权重格式：safetensors、PyTorch、TensorFlow 和 Flax。
Apache 2.0 许可证，允许商业和研究使用。

注意

模型体积达 23 GB，下载前请规划好硬件资源。
开源权重可用，但此处 open_weights 标记为 false，使用前请核实种子来源。

最适合

音频

多语言

本地运行

与……比较

GPT-4o (2024-11-20)
仅限API模型
128,000 令牌上下文 · $2.50/M 输入，$10.00/M 输出
GPT-4o
仅限API模型
128,000 令牌上下文 · $2.50/M 输入，$10.00/M 输出
GPT-4o (2024-05-13)
仅限API模型
128,000 令牌上下文 · $5.00/M 输入，$15.00/M 输出
GPT Audio Mini
仅限API模型
128,000 令牌上下文 · $0.60/M 输入，$2.40/M 输出

来自 openai 的更多文本模型

常见问题

我可以本地运行 Whisper Large v3 吗？: 可以——权重采用 Apache 2.0 许可证发布，完整模型（safetensors、PyTorch、TensorFlow 和 Flax 格式）以 23 GB 种子形式提供，有合适硬件即可本地部署。
Whisper Large v3 支持哪些语言？: Whisper 在大规模多语言音频上训练，支持多语言转录和翻译，且为零样本能力；制造商未在此页面公布完整语言列表。
Whisper Large v3 与早期版本有何不同？: OpenAI 未在此页面详细说明差异，但 Large v3 是 Whisper 系列的顶级版本，现多数基准和集成默认采用此版本。

船长评语
严肃语音识别工作的默认选择：许可证宽松、多种权重格式、零样本广泛覆盖，小型 ASR 模型难以匹敌。

船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #77 Hottest Text / LLM text model

Not this creator?

Get your own badge

whisper large v3 热度趋势

热度分数，过去12个月

热度评分

7,900°

本周

n/a

尚未发布/跟踪

本月

n/a

尚未发布/跟踪

过去一年

n/a

尚未发布/跟踪

7,000°

起点

评分范围是 0° 到 9,999°。低于 7,000° 的部分保留给还没有任何来源报告的模型，这些模型用替代数值填充，保证列表完整。7,000° 是有实际数据的起点：一个有真实数据但几乎没人下载的模型就在这里，后续的度数都是基于它的测量。起点本身不反映模型质量，只有起点以上的度数才区分不同模型。

+900°

种子用户数

有 1 人通过种子或镜像持续分享权重文件。分享文件需要带宽，说明权重仍被需要，每个种子用户相当于下载量中的 1,000 次。

显示详细分解

本站上的每个数字都可以查证。这个模型的热度评分是 7,900°，这里一步步展示了它是如何组成的，每一步都有累计总分：起点、每个来源增加的度数、模型类型的加成以及权重年龄的扣减。颜色对应上方图表的区间。最后的词汇表解释了所有术语。

1
从起点开始。
为什么是 7,000° 而不是零：评分范围是 0° 到 9,999°，低于 7,000° 的部分保留给还没有任何来源报告的模型，这些模型用替代数值填充，保证列表完整且不会超过有数据的模型。7,000° 是有实际数据的起点。一个有真实数据但几乎没人下载的模型就在这里；后续的度数都是测量值，起点以上有十个十倍下载阶梯，每阶梯增加 300°。起点对所有模型一样，不影响排名；区分模型的是起点以上的度数。
7,000°
累计总数
2
加上下载量。
总共1,000个下载等价量，来自种子用户数。下载量增加十倍，热度增加相同的300°，所以大小很重要，但不会让分数失控。
+900°
7,900°
累计总数
=
热度得分。
这个模型在本站所有榜单上的排名。没有其他因素会调整它。
7,900°

术语表：这里用到的术语

热度得分: 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
基准线: 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
下载等价量: 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
对数刻度: 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞: 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
采用率: 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
测量与估算: 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
做种者: 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde: 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
生成网站: 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
OpenRouter 令牌: 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（检查点）: 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
LoRA和嵌入: 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重: 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄: 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
家族加成: 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
替代分数: 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
新模型！（宽限期）: 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
趋势: 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
典型模型: 目录的中间值：一半有数据的模型增长比它快，一半比它慢。

这个模型的受欢迎程度相对于整个目录的变化：它在每个时间段内下载量、点赞和使用量的增长，和同一时间段内典型模型的增长相比，以及当时的热度分数。高于典型增长表示上升，低于则表示下降。过去的数据是从今天的总数、模型的第一天和测量的下载速度（如果有两次测量）推算出来的；如果模型在某个时间段开始时不存在，则显示为 n/a。