/ 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 дек 2025

whisper-large-v3-LoS-punctuated

Распознавание речиАудио → текст9 профессий

Дообученная модель Whisper-large-v3 для транскрибации речи с пунктуацией на испанском, каталанском, галисийском и баскском языках.

168скачиваний за 30 дней0лайковвеса обновлены19 фев 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

LoS Whisper-large-v3 — мультиязычная модель автоматического распознавания речи, созданная Лабораторией языковых технологий Барселонского суперкомпьютерного центра (BSC) дообучением openai/whisper-large-v3. Она предназначена для транскрибации речи на испанском, каталанском, галисийском и баскском языках с пунктуацией.

Модель имеет архитектуру Whisper и содержит 905,2 млн параметров. При обучении использовали 8 110 часов аудиоданных из публичных и институциональных наборов; объём данных выравнивали между четырьмя языками. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Её можно применять для создания читаемых транскрипций аудиозаписей на поддерживаемых языках. В README отмечено, что демографические сведения о дикторах отсутствуют, поэтому возможны смещения, связанные с институциональными источниками обучающих данных.

Сценарии применения

  • транскрибация аудио на каталанском языке
  • распознавание испанской речи с пунктуацией
  • транскрибация галисийских аудиозаписей
  • распознавание баскской речи
  • создание читаемых многоязычных расшифровок

Ограничения

Демографические сведения о дикторах отсутствуют, поэтому возможны смещения из-за институциональных источников обучающих данных.

Для каких профессий подходит9

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-large-v3-LoS-punctuated

Table of Contents

Model Description

The LoS Whisper-large-v3 model is a multilingual automatic speech recognition (ASR) system designed to transcribe punctuated speech in Spanish, Catalan, Galician, and Euskera (LoS, Languages of Spain). It is the result of fine-tuning the model openai/whisper-large-v3 on a combination of public and institutional datasets.

The model was trained on meticulously on 8,110 hours of preprocessed data. This ensures high-quality, readable transcriptions while preserving linguistic consistency. The training hours were equalized across the four languages to ensure comparable performance. Speed Perturbation (0.9× and 1.1×) was applied to every Basque training audio file, with a total duration of 2027h 56m 11s, which then served as the reference for balancing the remaining languages.

Intended Uses and Limitations

This model can be used for automatic speech recognition in the four languages mentioned.

Limitations: Speakers’ demographic information is not available; biases may exist due to institutional content.

How to Get Started with the Model

To see a functional version of this code, please check our Notebook and, in order to invoke this model, just substitute the instances of "projecte-aina/whisper-large-v3-ca-3catparla" with "BSC-LT/whisper-large-v3-LoS-punctuated".

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 an audio 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 a 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-large-v3-LoS-punctuated"
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 16kHz
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: In Catalan:

In Spanish:

In Galician:

In Euskera:

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

  • languages: Catalan, Spanish, Basque, Galician
  • hours of training audio: 8110h 28m
  • learning rate: 1e-5
  • sample rate: 16000 Hz
  • train batch size: 32 (×4 GPUs)
  • gradient accumulation: 1
  • eval batch size: 32
  • max steps: 172,294
  • warmup steps: 17,229
  • eval steps: 17,229
  • save steps: 17,229

Citation

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

@misc{LoS_Whisper2025,
      title={Acoustic Model in Catalan: whisper-large-v3-LoS-punctuated.}, 
      author={Hernandez Mena, Carlos Daniel; Abir Messaoudi; Sarah Solito; Cristina España-Bonet},
      organization={Barcelona Supercomputing Center},
      url={https://huggingface.co/BSC-LT/whisper-large-v3-LoS-punctuated},
      year={2025}
}

Additional Information

Author

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

Contact

For further information, please send an email to 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.

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
3b8c5f9

0 моделей