добавляет больше интонаций, эмоциональности, придыханий, делая речь более живой.
лучше справляется с ударениями в словах (мат, разговорная лексика).
только для русского языка. В английском на коротких фразах типа Yes./No./Well. появились звуковые галлюцинации, на длинных почти не заметно. На русском все ок.
основан на женских голосах, поэтому все мужские голоса будут слегка феминными.
весит 5 GB, но VRAM занимает ровно столько же, сколько и оригинал (2.6 GB).
обучение на 9 минутах голосовых сообщений заняло 70 минут и 10 эпох на 3060 12 GB, дальше была только потеря качества (loss). Чем больше датасет, тем больше требуется VRAM и времени.
для дальнейшего улучшения качества ударений требуется еще больший датасет с проблемными словами и ручная проверка распознанного Виспером текста.
