/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Опубликована
17 мар 2026

whisper-large-v3-malayalam-FT

Распознавание речиАудио → текст4 профессии

Полноценно дообученная версия Whisper Large V3 Turbo для транскрибирования речи на малаяламский язык.

169скачиваний за 30 дней0лайковвеса обновлены6 мая 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

BettySara/whisper-large-v3-malayalam-FT — модель распознавания речи на малаяламском языке, разработанная Bettilda Sara Santhosh и Gourinath HS в рамках академического проекта RSET и IHUB School of Learning. Это полноценно дообученная версия Whisper Large V3 Turbo от OpenAI с архитектурой Whisper и 905,2 млн параметров. Модель обучалась на малаяламской части набора AI4Bharat IndicVoices; аудио приводилось к частоте 16 кГц. Репозиторий содержит веса в формате safetensors.

Модель предназначена для преобразования речи на малаялам в текст: для транскрибирования записей, голосовых интерфейсов и исследований распознавания речи для малообеспеченных ресурсами индийских языков. По описанию авторов, дообучение улучшило точность транскрипции на малаялам по сравнению с исходным вариантом без дообучения, однако точное итоговое значение WER в карточке не приведено.

Модель специализирована на малаяламском и может хуже работать на других языках, разных диалектах, шумной речи, перекрывающихся голосах и длинных записях; длинное аудио рекомендуется разбивать на фрагменты. Возможны ошибки в написании и разделении слов в разговорной речи, поэтому результаты следует проверять, особенно перед использованием в чувствительных сферах. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование записей на малаялам
  • распознавание малаяламской речи в голосовом интерфейсе
  • создание субтитров для аудио на малаялам
  • изучение качества ASR для индийских языков с ограниченными ресурсами
  • сравнение полного дообучения Whisper с PEFT-методами

Ограничения

Модель специализирована на малаяламском и может хуже распознавать другие языки, диалекты, шумную речь, перекрывающиеся голоса и длинные записи; длинное аудио рекомендуется разбивать на фрагменты. Возможны ошибки в написании и разделении слов, а точное значение WER в карточке не приведено.

Для каких профессий подходит4

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 Large V3 Turbo Malayalam ASR – Full Fine-Tuned Model

Model Description

This model is a fully fine-tuned version of openai/whisper-large-v3-turbo for Malayalam Automatic Speech Recognition (ASR). The model was adapted using the Malayalam subset of the AI4Bharat IndicVoices dataset to improve transcription accuracy for Malayalam speech, especially in low-resource and regional-language ASR settings.

The model is intended for Malayalam speech-to-text transcription and was developed as part of an academic research project on fine-tuning Whisper ASR models for Malayalam.

Model Details

FieldDescription
Base modelopenai/whisper-large-v3-turbo
Fine-tuning methodFull model fine-tuning
LanguageMalayalam (ml)
TaskAutomatic Speech Recognition / Transcription
Datasetai4bharat/IndicVoices, Malayalam subset
Sampling rate16 kHz
Evaluation metricWord Error Rate (WER)
FrameworkHugging Face Transformers, PyTorch
Training epochs10
PrecisionBF16

Intended Use

This model can be used for:

  • Malayalam speech transcription
  • ASR research for low-resource Indic languages
  • Academic experiments comparing full fine-tuning and PEFT methods
  • Speech-based applications in Malayalam such as accessibility tools, transcription systems, and voice-enabled interfaces

Dataset

The model was trained and evaluated using the Malayalam subset of the AI4Bharat IndicVoices dataset. Audio files were resampled to 16 kHz before feature extraction. The text transcriptions were tokenized using the Whisper tokenizer configured for Malayalam transcription.

The preprocessing pipeline included:

  1. Loading Malayalam train and validation splits from ai4bharat/IndicVoices
  2. Removing unused metadata columns
  3. Casting audio to 16 kHz
  4. Extracting Whisper log-Mel input features
  5. Tokenizing Malayalam text labels
  6. Filtering examples exceeding the maximum decoder target length

Training Configuration

model_id = "openai/whisper-large-v3-turbo"
epochs = 10
batch_size = 32
learning_rate = 1e-5
warmup_steps = 1000
precision = "bf16"
eval_strategy = "epoch"
save_strategy = "epoch"
metric_for_best_model = "wer"
greater_is_better = False
generation_max_length = 448
lr_scheduler_type = "constant"
seed = 42
data_seed = 42

Evaluation

The model was evaluated using Word Error Rate (WER), computed with the evaluate and jiwer libraries.

ModelFine-tuning StrategyEpochsMetricResult
Whisper Large V3 TurboZero-shot baseline~ 102Higher baseline WER
Whisper Large V3 Turbo MalayalamFull fine-tuning~ 56WERImproved Malayalam transcription accuracy

Note: Replace the WER value above with the exact final eval_wer from the completed training run before final publication if needed.

Inference

import torch
import librosa
from transformers import WhisperProcessor, WhisperForConditionalGeneration

MODEL_ID = "BettySara/whisper-large-v3-malayalam-FT"

processor = WhisperProcessor.from_pretrained(
    MODEL_ID,
    language="Malayalam",
    task="transcribe"
)
model = WhisperForConditionalGeneration.from_pretrained(MODEL_ID)

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

forced_decoder_ids = processor.get_decoder_prompt_ids(
    language="ml",
    task="transcribe"
)

def transcribe(audio_path):
    speech, sr = librosa.load(audio_path, sr=16000)

    inputs = processor(
        speech,
        sampling_rate=16000,
        return_tensors="pt"
    )

    input_features = inputs.input_features.to(device)

    predicted_ids = model.generate(
        input_features,
        forced_decoder_ids=forced_decoder_ids,
        max_length=448
    )

    transcription = processor.batch_decode(
        predicted_ids,
        skip_special_tokens=True
    )[0]

    return transcription

print(transcribe("sample_malayalam_audio.wav"))

Limitations

  • The model is specialized for Malayalam and may not perform well on other languages.
  • Performance may vary across dialects, noisy speech, overlapping speakers, and long-form audio.
  • Very long audio should be chunked before inference.
  • The model may still produce spelling or word-boundary errors in conversational Malayalam.
  • Evaluation should be repeated on a larger held-out test set before production use.

Ethical Considerations

This model should be used responsibly. Users should obtain consent before transcribing private speech. The model may produce incorrect transcriptions, so outputs should be reviewed before use in sensitive domains such as healthcare, legal, or official documentation.

Citation

If you use this model, please cite the base Whisper model and the IndicVoices dataset.

@article{radford2022whisper,
  title={Robust Speech Recognition via Large-Scale Weak Supervision},
  author={Radford, Alec and others},
  journal={arXiv preprint arXiv:2212.04356},
  year={2022}
}

Author

Developed by Bettilda Sara Santhosh and Gourinath HS as part of research on Malayalam ASR (RSET & IHUB School of Learning)

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
9157cd2

0 моделей