/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
whisper · dense
Опубликована
9 июл 2026

rus_uzb_eng_stt

Распознавание речиАудио → текст6 профессий

Дообученная на Whisper модель BaseLayer распознаёт тихую узбекскую речь, а также русскую и английскую речь, включая смешение языков.

56скачиваний за 30 дней2лайкавеса обновлены28 авг 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

BaseLayer разработала rus_uzb_eng_stt — дообученную модель распознавания речи на архитектуре Whisper для преобразования аудио в текст. Она рассчитана на узбекскую, русскую и английскую речь, включая переключение между языками в одной фразе, и дополнительно обучена распознавать тихую речь, например шёпот или голос, записанный на расстоянии.

Обучение проводилось на небольшом наборе узбекских аудиозаписей, связанных с законодательством, официальными документами и обращениями граждан. Для расширения данных меняли громкость записей. В описанной оценке наилучший результат составил WER 8,82%; метаданные указывают архитектуру Whisper и формат safetensors. Модель распространяется по лицензии MIT, допускающей коммерческое использование.

Качество для русского и английского языков может быть ниже, поскольку специального дообучения на этих языках не проводилось. Данные ограничены узбекской официальной тематикой и небольшим числом исходных аудиозаписей; распознавание разговорной, технической, диалектной речи и тихого аудио в реальном шуме может быть менее надёжным.

Сценарии применения

  • Расшифровка тихой узбекской речи, записанной на расстоянии
  • Транскрибация узбекских обращений граждан
  • Распознавание речи в узбекских официальных и законодательных документах
  • Расшифровка фраз со смешением узбекского, русского и английского
  • Преобразование узбекской речи в текст

Ограничения

Обучающие данные небольшие и преимущественно узбекские, из официально-правовой тематики; качество на разговорной, технической и диалектной речи может быть ниже. Русский и английский языки не входили в специальное дообучение, а искусственное изменение громкости не полностью отражает реальные шумные условия записи.

Для каких профессий подходит6

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

rus_uzb_eng_stt V1 — Low Volume & Multilingual Fine-tuned

Ishlab chiqaruvchi: BaseLayer

Model haqida

Base model umumiy holatlarda yaxshi ishlaydi, lekin past ovozda (shivirlashga yaqin, xonadan uzoqdan yozilgan) nutqni tanishda xatoliklar ko'proq edi. Shu muammoni hal qilish uchun model qo'shimcha ma'lumot bilan qayta o'qitildi.

Whisper me'morchiligining tabiiy ko'p tillilik xususiyati tufayli, model faqat o'zbekcha emas — o'zbek, ingliz va rus tillarida, hattoki bir gap ichida tillar aralashib kelganda ham (code-switching, masalan "keyin meeting'da discuss qilamiz", "hisobotni project bo'yicha tayyorladim") nutqni ishonchli tarzda matnga aylantira oladi.

  • Ishlab chiqaruvchi: BaseLayer
  • Tillar: O'zbek (uz), Ingliz (en), Rus (ru) — shu jumladan tillar aralash holatda
  • Vazifa: Automatic Speech Recognition (ASR) / Speech-to-Text (STT)
  • Litsenziya: MIT

O'qitish ma'lumotlari (Training Data)

  • Manba dataset: Beehzod/uzbek_speech_data (407 ta original audio-matn juftligi, MIT litsenziya)
  • Augmentatsiya: har bir audio 6 xil ovoz balandligi darajasida (+10dB, +6dB, 0dB, -6dB, -10dB, -15dB) ko'paytirilgan, jami ~2440 ta audio-matn juftligi
  • Domen: qonunchilik / rasmiy hujjatlar, fuqarolar murojaatlari bilan bog'liq nutq

O'qitish sozlamalari (Training Hyperparameters)

ParametrQiymat
Learning rate1e-5
Epochs5 (early stopping bilan 4-epochda to'xtatildi)
Batch size2 (gradient accumulation 8, effektiv batch 16)
Optimal checkpointEpoch 2
Mixed precisionfp16

Natijalar (Evaluation Results)

EpochTraining LossValidation LossWER
10.19270.105811.18%
2 (tanlangan)0.04650.11218.82%
30.02870.118510.39%
40.01780.11859.97%

Eng yaxshi natija (WER 8.82%) 2-epochda qo'lga kiritildi va overfitting boshlanishidan oldin shu checkpoint yakuniy model sifatida tanlandi.

Qanday foydalanish mumkin

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import librosa

processor = WhisperProcessor.from_pretrained("BaseLayer/uzbek_stt_model")
model = WhisperForConditionalGeneration.from_pretrained("BaseLayer/uzbek_stt_model")

audio, sr = librosa.load("audio.wav", sr=16000)
input_features = processor(audio, sampling_rate=16000, return_tensors="pt").input_features

predicted_ids = model.generate(input_features, language="uz", task="transcribe")
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)

Yoki pipeline orqali:

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="BaseLayer/sota_uzbek_stt_lowvolume",
    chunk_length_s=30,
    device="cuda"
)

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

Cheklovlar (Limitations)

  • Model asosan qonunchilik va rasmiy hujjat uslubidagi nutqda o'qitilgan, boshqa domenlarda (masalan kundalik suhbat, texnik matn) natija farq qilishi mumkin.
  • O'qitish datasi nisbatan kichik (407 original namuna) va faqat o'zbek tilida, shuning uchun juda kam uchraydigan so'zlar yoki dialektlarda xatolik ehtimoli yuqoriroq bo'lishi mumkin.
  • Ingliz va rus tillarini tushunish qobiliyati asosiy Whisper me'morchiligidan meros bo'lib qolgan (fine-tuning maxsus ingliz/rus datasi bilan o'tkazilmagan) — shuning uchun bu tillardagi aniqlik sof o'zbekchaga qaraganda pastroq bo'lishi mumkin, ayniqsa murakkab yoki uzun ingliz/rus jumlalarida.
  • Ovoz balandligi augmentatsiyasi sun'iy ravishda yaratilgan (dB o'zgarishi orqali), haqiqiy shovqinli muhitdagi past ovozdan farq qilishi mumkin.

Litsenziya

MIT — bemalol foydalanish, o'zgartirish va tijoriy maqsadlarda qo'llash mumkin. Manba dataset (Beehzod/uzbek_speech_data) ham MIT litsenziyali.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
2c0c9ba

0 моделей