/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
21 авг 2026

whisper-medium-sps-persian

Распознавание речиАудио → текст3 профессии

Whisper medium, дообученная на спонтанной персидской речи для её транскрибации в текст.

143скачиваний за 30 дней0лайковвеса обновлены21 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

Behnooshn/whisper-medium-sps-persian — модель распознавания речи на базе OpenAI Whisper medium, дообученная методом полного fine-tuning на сегментах набора Spontaneous Persian Speech (SPS). Она предназначена для транскрибации спонтанной и разговорной персидской речи. Архитектура Whisper содержит 455,8 млн параметров; модель принимает аудио и выдаёт текст. В обучающей выборке было 16 409 сегментов, в валидационной — 1 985; в сохранённом тестовом прогоне оценено 500 сегментов. На этом тесте сообщаются средние посегментные WER 0,768 и CER 0,506 против 2,368 и 1,857 у базовой Whisper medium; эти показатели не являются агрегированными корпусными метриками.

Модель рассчитана прежде всего на исследования персидского ASR, в частности разговорной речи. Качество на других речевых доменах, условиях записи и разновидностях персидского языка систематически не оценивалось. Данные SPS в репозитории не распространяются. Условия лицензирования в предоставленных материалах не описаны.

Сценарии применения

  • транскрибация спонтанной персидской речи
  • распознавание разговорной речи на фарси
  • исследование ошибок распознавания персидской речи

Ограничения

Дообучение выполнено на ограниченном наборе спонтанной персидской речи, поэтому качество на других доменах, диалектах, говорящих и акустических условиях может отличаться. Данные SPS не включены в репозиторий, а лицензия в предоставленных материалах не указана.

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 Medium Fine-tuned for Spontaneous Persian Speech

This model is a fine-tuned version of openai/whisper-medium for Persian automatic speech recognition (ASR).

It was adapted on the Spontaneous Persian Speech (SPS) dataset, with a focus on spontaneous and conversational Persian.

Model description

  • Base model: openai/whisper-medium
  • Language: Persian (Farsi)
  • Task: Automatic Speech Recognition
  • Adaptation method: Full fine-tuning
  • Training duration: 2 epochs

Training data

The model was trained on speech segments extracted from the Spontaneous Persian Speech (SPS) dataset.

For this training run:

  • Training segments: 16,409
  • Validation segments: 1,985

The SPS dataset itself is not distributed with this model.

Training configuration

  • Learning rate: 5e-6
  • Warm-up ratio: 0.05
  • Batch size: 1
  • Gradient accumulation steps: 64
  • Effective batch size: 64
  • Maximum target length: 160 tokens
  • Gradient checkpointing: enabled

Evaluation

The saved evaluation run contains 500 scored test segments.

Mean segment-level results:

ModelWERCER
Whisper-medium baseline2.3681.857
Fine-tuned Whisper-medium0.7680.506

These values are mean segment-level error rates rather than corpus-level aggregated WER/CER.

The fine-tuned model substantially improves over the corresponding Whisper-medium baseline on this evaluation set.

A separate phonological analysis was also conducted to examine how fine-tuning affected phone-substitution errors and their phonological characteristics.

Usage

The model can be loaded directly with Hugging Face Transformers and used to transcribe Persian audio.

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq

model_id = "Behnooshn/whisper-medium-sps-persian"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id)

Intended use

This model is intended primarily for research on Persian ASR, particularly spontaneous and conversational Persian speech.

Performance on other speech domains, recording conditions, or Persian varieties has not been systematically evaluated.

Limitations

The model was fine-tuned on a limited spontaneous Persian dataset. Its performance should therefore not be assumed to generalize equally to all speakers, domains, dialects, or acoustic conditions.

Data availability

The SPS training data are not included in this repository.

Base model

This work builds on OpenAI Whisper:

openai/whisper-medium

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
56087a8

0 моделей