Whistle：面向 CPU 的语音识别模型已在 HuggingFace 发布

2026 年 9 月 30 日，HuggingFace 上发布了模型 Cactus-Compute/whistle，任务为 automatic-speech-recognition。作者将其描述为一款 speech-to-text 模型，面向移动设备、可穿戴电子设备、机器人、智能家居、汽车和微控制器。

这意味着什么

该模型以 apache-2.0 许可证分发。最大的权重文件 checkpoints/whistle.safetensors 占用 0.2 GB，而作者声称整个模型打包在一个 16.9 MB 的文件中。权重以 safetensors 格式发布。通过 cactus-needle 引擎启动，据作者描述，该引擎在 CPU 上运行，无需 GPU，也没有外部依赖。 Whistle 在设备上执行三项任务：对时长不超过 30 秒的 16 kHz 单声道音频进行七种语言的转录，包括俄语——未提及——英语、德语、法语、西班牙语、意大利语、荷兰语和波兰语；输出每个词的时间戳及其概率；提取 speech embedding——编码器输出，每 80 ms 帧一行。该模型复用 .cact 容器、Cactus Quants 量化、SIMD 内核以及来自 Needle 的 KV 缓存，因此在已运行 Needle 的设备上，Whistle 可在同一二进制文件中启动，无需第二个运行时。解码器深度可在加载时通过 --audio-depth 标志选择。 对于寻找无需 GPU、可在自己的硬件上运行的语音识别工具的人来说，Whistle 是拥有开源许可证并声称支持 CPU 的候选之一。可以在 CPU3D 动态中关注此类模型的出现。