offvox-language-packs

OffVox — paquetes de idioma reforzado (ONNX, int8)

Modelos Whisper afinados para euskera, gallego y galés, convertidos a ONNX (cuantizado int8) para usarse con sherpa-onnx vía sherpa_onnx.OfflineRecognizer.from_whisper(...). Es el formato que consume OffVox, una app de diario y reuniones por voz 100% local/offline.

Cada carpeta <idioma>/<tamaño>/ contiene 3 ficheros: encoder.int8.onnx, decoder.int8.onnx, tokens.txt.

Origen y licencias (cadena de atribución completa)

Todos los checkpoints originales están licenciados bajo Apache-2.0, y todos los datasets usados para el fine-tuning están licenciados bajo CC0 (dominio público) — sin restricciones de uso comercial en ningún eslabón de la cadena. Esta conversión (exportación a ONNX + cuantización int8) se publica también bajo Apache-2.0, manteniendo la atribución exigida por esa licencia.

• Modelo base: OpenAI Whisper (MIT).
• Euskera (eu) y Gallego (gl): fine-tunes de HiTZ Zentroa (HiTZ/whisper-{tiny,base,small}-eu, HiTZ/whisper-{tiny,base,small}-gl), Apache-2.0, entrenados sobre Mozilla Common Voice (CC0). Ver el paper "Whisper-LM" (Xabier de Zuazo et al., HiTZ Zentroa/UPV-EHU, arXiv:2503.23542).
• Galés (cy): fine-tune de techiaith / Language Technologies Unit, Bangor University (techiaith/whisper-tiny-ft-cy-en), Apache-2.0, entrenado sobre Common Voice (CC0) y Banc Trawsgrifiadau Bangor (CC0).

Qué NO incluye este repositorio

Los tamaños medium (euskera/gallego) y large-v3 (galés) también se convirtieron y se verificaron como correctos, pero no se han subido aquí todavía — el nivel de tamaño ("tier") actual de OffVox solo llega hasta small. Si en el futuro se añade un nivel superior, se subirán también.

Cómo se convirtieron

Pipeline: checkpoint HuggingFace → formato nativo OpenAI Whisper → exportación ONNX vía el script export-onnx.py de sherpa-onnx (adaptado para aceptar checkpoints locales) → cuantización dinámica int8. Verificado end-to-end con audio real de datasets públicos (shunyalabs/galician-speech-dataset, shunyalabs/welsh-speech-dataset, mikelalda/basque_speech_dataset) antes de publicar, comparando la transcripción reconocida contra la referencia.