/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
20 июл 2026

whisper-small-mn-v2

Распознавание речиАудио → текст7 профессий

Дообученная версия Whisper Small для транскрибирования монгольской речи на кириллице.

169скачиваний за 30 дней0лайковвеса обновлены20 июл 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

Blgn94/whisper-small-mn-v2 — дообученная модель на основе openai/whisper-small для автоматического распознавания речи на монгольском языке. Она использует архитектуру Whisper и предназначена для транскрибирования аудио; модель распространяется через Transformers в формате safetensors. Обучение проводилось на корпусе примерно из 77 часов монгольской речи с частотой 16 кГц, преимущественно на записях Common Voice.

По результатам проверки на фиксированной выборке из 200 примеров модель показала WER 15,16% и CER 6,60%; полная оценка на валидационной выборке ещё не проводилась. Модель лучше подходит для чёткой подготовленной речи на кириллице и может быть полезна для транскрибирования записей и субтитров. По сравнению с разговорной, шумной или телефонной речью качество может быть ниже; Whisper также может ошибочно генерировать текст на тишине и неречевых фрагментах. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование чёткой монгольской речи
  • создание текстовых расшифровок монгольских аудиозаписей
  • распознавание речи в монгольских субтитрах
  • автоматическая расшифровка подготовленных монгольских выступлений

Ограничения

Лучше распознаёт чёткую подготовленную речь на монгольской кириллице; на спонтанной, шумной и телефонной речи качество может быть ниже. Может генерировать текст на тишине и неречевых фрагментах; метрики приведены для 200 примеров, полная оценка ещё не выполнена.

Для каких профессий подходит7

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-small-mn-v24

Fine-tune of openai/whisper-small for Mongolian (mn) automatic speech recognition, trained on Blgn94/mongolian-stt-dataset-v24.

This is the v24 iteration and improves substantially over the previous release Blgn94/whisper-small-mn.

Results

Metricv24 (this model)Previous whisper-small-mn
WER15.16%22.1%
CER6.60%10.3%

That is a ~31% relative WER reduction and ~36% relative CER reduction over the previous model.

Note on measurement: these numbers are from a fixed 200-sample subset of the validation split, evaluated with predict_with_generate during training (the same protocol used for the previous model, so the comparison is apples-to-apples). A full 2,297-row validation evaluation has not yet been run; the full-set figures may differ slightly.

Usage

from transformers import pipeline

asr = pipeline("automatic-speech-recognition", model="Blgn94/whisper-small-mn-v24")
result = asr("audio.mp3", generate_kwargs={"language": "mongolian", "task": "transcribe"})
print(result["text"])

Or with the model/processor directly:

import torch, librosa
from transformers import WhisperProcessor, WhisperForConditionalGeneration

processor = WhisperProcessor.from_pretrained("Blgn94/whisper-small-mn-v24", language="mongolian", task="transcribe")
model = WhisperForConditionalGeneration.from_pretrained("Blgn94/whisper-small-mn-v24")

audio, _ = librosa.load("audio.mp3", sr=16000)
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
ids = model.generate(inputs.input_features, language="mongolian", task="transcribe")
print(processor.batch_decode(ids, skip_special_tokens=True)[0])

Audio is expected at 16 kHz mono. Keep clips within Whisper's 30 s window.

Training data

Blgn94/mongolian-stt-dataset-v24 — a combined Mongolian read-speech and subtitle corpus (~77 h of audio, 16 kHz).

SourceTrain clipsValidation clips
Common Voice87,9881,869
FLEURS3,770215
MBSpeech3,670176
YouTube (manual subtitles)55939
Total95,9872,299

Preprocessing: rows whose tokenized transcript exceeded 440 tokens (near Whisper's 448-token decoder limit) were dropped — 41 from train and 2 from validation — leaving 95,946 train / 2,297 validation clips.

Training procedure

Fine-tuned from openai/whisper-small (244M params).

HyperparameterValue
Epochs3
Effective batch size8 (per-device 2 × grad-accum 4)
Learning rate1e-5
Warmup steps500
Precisionfp16
Total steps35,982
OptimizerAdamW (Transformers default)
Gradient checkpointingenabled

Hardware: single NVIDIA RTX 5060 (8 GB). Full run took ~6.5 h.

The model, task, and language tokens were set for Mongolian transcription (language="mongolian", task="transcribe"); forced_decoder_ids was cleared so decoding follows the fine-tuned distribution.

Limitations

  • The training data is ~92% Common Voice (read speech), so accuracy is strongest on clear, read-style Mongolian and weaker on spontaneous, conversational, noisy, or telephony audio.
  • Cyrillic Mongolian only.
  • Inherits Whisper's tendency to hallucinate on silence or non-speech segments.

Base model & license

Derived from openai/whisper-small; released under Apache-2.0.

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
f06a342

0 моделей