/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
8 июл 2026

whisper-uzbek-medium-callcenter

Распознавание речиАудио → текст3 профессии

Модель Whisper-medium, дообученная для распознавания узбекской речи, включая телефонные записи с шумом и узкополосным звуком.

190скачиваний за 30 дней1лайквеса обновлены8 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Abduqayum/whisper-uzbek-medium-callcenter — модель распознавания речи на узбекском языке, созданная дообучением Whisper-medium на узбекском STT-датасете объёмом около 780 часов. Она предназначена для преобразования речи в текст, в том числе телефонных записей и звонков с узкополосным звуком, шумом и реверберацией. Обучение включает аугментацию телефонного аудио и примеры тишины и неречевых звуков, чтобы снизить появление выдуманного текста на таких фрагментах. Модель содержит 455,8 млн параметров, использует архитектуру Whisper и доступна для Transformers в формате safetensors.

В описанных автором оценках WER составил 7,88% на FeruzaSpeech, 13,37% на Common Voice 17.0 uz и 14,40% на FLEURS uz; перед подсчётом нормализовались числа, регистр, апострофы и пунктуация. Модель настроена на узбекскую латиницу; транскрипция кириллицей не является целевой. В обучающих транскрипциях, автоматически полученных с помощью Gemini, возможны ошибки. Лицензия — Apache-2.0.

Сценарии применения

  • расшифровка узбекских телефонных звонков
  • транскрибация записей колл-центра
  • распознавание узбекской речи в шумной обстановке
  • преобразование подкастов и лекций на узбекском в текст
  • распознавание узбекской речи на тишине и неречевых фрагментах без лишнего текста

Ограничения

Модель настроена на узбекскую латиницу, а кириллическая транскрипция не является целевой. Транскрипции обучающих данных автоматически созданы Gemini и могут содержать ошибки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-uzbek-medium-callcenter

A Whisper-medium model fine-tuned for Uzbek speech-to-text, with data augmentation aimed at telephone / call-center audio (narrowband, noise, reverb) and anti-hallucination training on non-speech segments.

Training data

Fine-tuned on the ~780-hour Uzbek STT dataset: Abduqayum/Uzbek-STT-Dataset-780h (audiobooks, podcasts and tech talks; transcriptions generated with Google Gemini). Base model: openai/whisper-medium (via an Uzbek-adapted checkpoint).

Training highlights:

  • ~2 epochs, bf16, effective batch 16, LR 1e-5.
  • Call-center augmentation on ~50% of clips: telephone narrowband (8 kHz codec + 300–3400 Hz band), background noise, light reverb, gain.
  • Anti-hallucination: ~3% synthetic non-speech clips with empty labels, so the model stays silent on silence/noise instead of generating text.

Evaluation (Word Error Rate)

Numbers are normalized before scoring: Uzbek references write numbers as digits (2010-yilda) while the model speaks them as words (ikki ming o'ninchi yilda), so digits are converted to Uzbek words and apostrophes/punctuation/case are unified for a fair WER.

DatasetClips (test)WER
FeruzaSpeech8997.88%
Common Voice 17.0 uz12,34813.37%
FLEURS uz4,16514.40%

Usage

from transformers import pipeline

asr = pipeline("automatic-speech-recognition",
               model="Abduqayum/whisper-uzbek-medium-callcenter", device=0)

text = asr("audio.wav",
           generate_kwargs={"language": "uz", "task": "transcribe"})["text"]
print(text)

faster-whisper (with anti-hallucination decoding)

Convert with ct2-transformers-converter, then:

from faster_whisper import WhisperModel
m = WhisperModel("path/to/ct2-model", device="cuda", compute_type="float16")
segments, _ = m.transcribe(
    "audio.wav", language="uz",
    vad_filter=True, condition_on_previous_text=False,
    no_speech_threshold=0.6, temperature=0,
)
print(" ".join(s.text for s in segments).strip())

For stereo call recordings, split the left/right channels and transcribe each separately.

Limitations

  • Training transcriptions are model-generated (Gemini), so a small amount of label noise is expected.
  • Tuned for Uzbek Latin script; Cyrillic output is not targeted.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
0eed536

0 моделей