/ Модель

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
30 июн 2026

whisper-large-fa-v1

Распознавание речиАудио → текст10 профессий

Производная модели vhdm/whisper-large-fa-v1. Дообученная на персидской речи модель Whisper для транскрибации аудио в текст.

16скачиваний за 30 дней0лайковвеса обновлены30 июн 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

Карточка модели Alireza48/whisper-large-fa-v1 на Hugging Face совпадает с карточкой vhdm/whisper-large-fa-v1, поэтому описание составлено по ней.

vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT.

Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

Сценарии применения

  • транскрибация персидских голосовых заметок
  • расшифровка персидских подкастов и интервью
  • создание субтитров и текстовых версий персидских видео
  • создание поисковых расшифровок персидских аудиозаписей
  • адаптация распознавания речи для персидских аудиозадач

Ограничения

Модель обучена на чистой речи из ограниченного набора источников, поэтому может хуже распознавать шумную, акцентированную или диалектную речь. Она не оптимизирована для потокового распознавания и может иногда выдавать правдоподобные, но неверные слова.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

📢 vhdm/whisper-large-fa-v1

🎧 Fine-tuned Whisper Large V3 Turbo for Persian Speech Recognition

This model is a fine-tuned version of openai/whisper-large-v3-turbo trained specifically on high-quality Persian speech data from the vhdm/persian-voice-v1 dataset.


🧪 Evaluation Results

MetricValue
Final Validation Loss0.1445
Word Error Rate (WER)14.07%

The model shows consistent improvement over training and reaches a solid WER of ~14% on clean Persian speech data.


🧠 Model Description

This model aims to bring high-accuracy automatic speech recognition (ASR) to Persian language using the Whisper architecture. By leveraging OpenAI's powerful Whisper Large V3 Turbo backbone and carefully curated Persian data, it can transcribe Persian audio with high fidelity.


✅ Intended Use

This model is best suited for:

  • 📱 Transcribing Persian voice notes
  • 🗣️ Real-time or batch ASR for Persian podcasts, videos, and interviews
  • 🔍 Creating searchable transcripts of Persian audio content
  • 🧩 Fine-tuning or domain adaptation for Persian speech tasks

🚫 Limitations

  • The model is fine-tuned on clean audio from specific sources and may perform poorly on noisy, accented, or dialectal speech.
  • Not optimized for real-time streaming ASR (though inference is fast).
  • It may occasionally produce hallucinations (incorrect but plausible words), a common issue in Whisper models.

📚 Training Data

The model was trained on the vhdm/persian-voice-v1 dataset, a curated collection of Persian speech recordings with high-quality transcriptions.


⚙️ Training Procedure

  • Optimizer: AdamW (betas=(0.9, 0.999), eps=1e-08)
  • Learning Rate: 1e-5
  • Batch Sizes: Train - 16 | Eval - 8
  • Scheduler: Linear with 500 warmup steps
  • Mixed Precision: Native AMP (automatic mixed precision)
  • Seed: 42
  • Training Steps: 5000

⏱️ Training Time & Hardware

The model was trained using an NVIDIA H100 GPU, and the full fine-tuning process took approximately 20 hours.


📈 Training Progress

StepTraining LossValidation LossWER (%)
10000.21900.209322.07
20000.11910.169817.85
30000.10510.148515.79
40000.06440.153016.03
50000.02890.144514.07

🧰 Framework Versions

  • transformers: 4.52.4
  • torch: 2.7.1+cu118
  • datasets: 3.6.0
  • tokenizers: 0.21.1

🚀 Try it out

You can load and test the model using 🤗 Transformers:

from transformers import pipeline

pipe = pipeline("automatic-speech-recognition", model="vhdm/whisper-large-fa-v1")
result = pipe("path_to_persian_audio.wav")
print(result["text"])

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
a58af34

0 моделей