/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
16 июл 2025

whisper-3cat-balearic

Распознавание речиАудио → текст5 профессий

Дообученная на каталонской речи Whisper large-v3 для транскрибации аудио, особенно с балеарским акцентом.

106скачиваний за 30 дней2лайкавеса обновлены23 июл 2025

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

BSC-LT/whisper-3cat-balearic — модель автоматического распознавания речи, созданная лабораторией языковых технологий Barcelona Supercomputing Center. Это дообученная версия Whisper large-v3 с архитектурой Whisper и 905,2 млн параметров; модель обучали на 90 часах вручную расшифрованных телепередач на каталонском языке из корпуса 3catparla_asr.

Модель предназначена для транскрибации каталонской речи, особенно с балеарским акцентом, в обычный текст без пунктуации. Она принимает аудио и выдаёт текст; основная область применения — расшифровка каталонских аудиозаписей и телеэфиров. Модель распространяется в формате PyTorch через Transformers по лицензии Apache-2.0.

Сценарии применения

  • транскрибация передач каталонского телевидения
  • распознавание каталонской речи с балеарским акцентом
  • перевод каталонских аудиозаписей в текст без пунктуации

Ограничения

Модель ориентирована на каталонский язык, особенно на балеарский акцент, и выдаёт текст без пунктуации. Обучающие данные включают телевизионную речь, поэтому качество на других типах аудио не установлено.

Для каких профессий подходит5

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

whisper-3cat-balearic

Table of Contents

Model Description

The "BSC-LT/whisper-3cat-balearic" is an acoustic model suitable for Automatic Speech Recognition in Balearic. It is the result of finetuning the model "openai/whisper-large-v3" on the split called "perfect_matches" of the corpus 3catparla_asr, a dataset of broadcasted Catalan TV shows manually transcribed. This particular split is comprised of 90 hours of speech data.

Intended Uses and Limitations

This model can be used for Automatic Speech Recognition (ASR) in Catalan, especially in the Balearic accent. The model intends to transcribe Catalan audio files to plain text without punctuation.

Installation

To use this model, you may install datasets and transformers:

Create a virtual environment:

python -m venv /path/to/venv

Activate the environment:

source /path/to/venv/bin/activate

Install the modules:

pip install datasets transformers 

For Inference

To transcribe audio in Catalan using this model, you can follow this example:

#Install Prerequisites
pip install torch
pip install datasets
pip install 'transformers[torch]'
pip install evaluate
pip install jiwer
#This code works with GPU

#Notice that: load_metric is no longer part of datasets.
#You have to remove it and use evaluate's load instead.
#(Note from November 2024)

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor

#Load the processor and model.
MODEL_NAME="BSC-LT/whisper-3cat-balearic"
processor = WhisperProcessor.from_pretrained(MODEL_NAME)
model = WhisperForConditionalGeneration.from_pretrained(MODEL_NAME).to("cuda")

#Load the dataset
from datasets import load_dataset, load_metric, Audio
ds=load_dataset("projecte-aina/parlament_parla",split='test')

#Downsample to 16 kHz
ds = ds.cast_column("audio", Audio(sampling_rate=16_000))

#Process the dataset
def map_to_pred(batch):
	audio = batch["audio"]
	input_features = processor(audio["array"], sampling_rate=audio["sampling_rate"], return_tensors="pt").input_features
	batch["reference"] = processor.tokenizer._normalize(batch['normalized_text'])

	with torch.no_grad():
		predicted_ids = model.generate(input_features.to("cuda"))[0]
	
	transcription = processor.decode(predicted_ids)
	batch["prediction"] = processor.tokenizer._normalize(transcription)
	
	return batch
	
#Do the evaluation
result = ds.map(map_to_pred)

#Compute the overall WER now.
from evaluate import load

wer = load("wer")
WER=100 * wer.compute(references=result["reference"], predictions=result["prediction"])
print(WER)

Training Details

Training data

The specific datasets used to create the model are:

  • Training: 3CatParla. (Soon to be published)
  • Validation: IB3 (Soon to be published)

Training procedure

This model is the result of finetuning the model "openai/whisper-large-v3" by following this tutorial provided by Hugging Face.

Training Hyperparameters

  • language: Catalan (Balearic Accent)
  • hours of training audio: 90 hours
  • learning rate: 1e-6
  • sample rate: 16000
  • train batch size: 32
  • eval batch size: 32
  • num_train_epochs: 20

Citation

If this model contributes to your research, please cite the work:

@misc{BSC2025-whisper3catbalearic,
      title={Recognition models for adaptation to Catalan variants}, 
      author={Hernandez Mena, Carlos Daniel; Messaoudi, Abir; Armentaro Carme; España i Bonet, Cristina;},
      organization={Barcelona Supercomputing Center},
      url={https://huggingface.co/BSC-LT/whisper-3cat-balearic},
      year={2025}
}

Additional Information

Author

The fine-tuning process was performed during June (2025) in the Language Technologies Laboratory of the Barcelona Supercomputing Center.

Contact

For further information, please email langtech@bsc.es.

Copyright

Copyright(c) 2025 by Language Technologies Laboratory, Barcelona Supercomputing Center.

License

Apache-2.0

Funding

This work is funded by the Ministerio para la Transformación Digital y de la Función Pública - Funded by EU – NextGenerationEU within the framework of the project ILENIA with reference 2022/TL22/00215337.

The training of the model was possible thanks to the computing time provided by Barcelona Supercomputing Center through MareNostrum 5.

We acknowledge the EuroHPC Joint Undertaking for awarding us access to MareNostrum5 as BSC, Spain.

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
49fc7bd

0 моделей