/ Модель

Характеристики

Параметры
907 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
8 сен 2026

nepali

Распознавание речиАудио → текст

BuzzASR Nepali — дообученная модель Whisper для транскрибации аудио на непальском языке.

129скачиваний за 30 дней0лайковвеса обновлены22 сен 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

BuzzASR Nepali — модель автоматического распознавания речи на непальском языке, созданная авторами проекта BuzzASR на основе openai/whisper-large-v3. Это полноценно дообученная модель Whisper с заменой токенизатора на специализированный для непальского языка и дополнительным обучением на текстовых данных. Модель принимает аудио и генерирует его текстовую расшифровку; в настройках генерации уже задан язык и задача, поэтому отдельный параметр выбора языка не требуется.

Модель содержит 907,3 млн параметров и распространяется в формате safetensors через библиотеку Transformers. Для обучения использовались FLEURS, Common Voice Corpus 25.0 и текстовые данные корпуса Goldfish. В тестах на FLEURS и Common Voice показаны CER 13,35 и 1,6%, а также WER 40,06 и 6,95% соответственно; на объединённом наборе CER составил 12,23% против 20,92% у Whisper-large-v3 без дообучения. Модель предназначена для транскрибации непальской речи. Лицензия — MIT.

Сценарии применения

  • транскрибация записей на непальском языке
  • распознавание непальской речи в аудиофайлах
  • создание текстовых расшифровок непальских интервью
  • преобразование непальской речи в текст для субтитров

Ограничения

Модель рассчитана только на непальский язык. Качество на других предметных областях и диалектах может отличаться от результатов на тестовых наборах FLEURS и Common Voice.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BuzzASR — Nepali

A monolingual automatic speech recognition model for Nepali, fine-tuned from openai/whisper-large-v3. Part of BuzzASR, a suite of 102 language-specialized ASR models (paper: arXiv:2609.09554, Findings of EMNLP 2026).

This model uses full fine-tuning (native per-language tokenizer replacement + text multitask fine-tuning).

Results (normalized CER / WER, %)

Test setCERWERWhisper-large-v3 (zero-shot) CER
FLEURS13.3540.0625.3
Common Voice 251.66.9527.25
Combined12.2336.2520.92

~1.7x CER reduction over Whisper zero-shot on the combined test set.

Usage

import torch, torchaudio
from transformers import WhisperForConditionalGeneration, WhisperProcessor

model = WhisperForConditionalGeneration.from_pretrained("BuzzASR/nepali", torch_dtype=torch.float16).to("cuda").eval()
proc  = WhisperProcessor.from_pretrained("BuzzASR/nepali")

wav, sr = torchaudio.load("audio.wav")           # 16 kHz mono
feats = proc(wav[0], sampling_rate=16000, return_tensors="pt").input_features.to("cuda").half()
ids = model.generate(feats, num_beams=1, no_repeat_ngram_size=3, repetition_penalty=1.2)
print(proc.batch_decode(ids, skip_special_tokens=True)[0])

The language/task prompt is baked into the generation config, so no language= argument is needed.

Training data

FLEURS + Common Voice Corpus 25.0 (Mozilla, March 2025; https://commonvoice.mozilla.org/en/datasets), capped per the paper. Text-only data from the Goldfish corpus (Chang et al., 2026).

Limitations

Monolingual (Nepali only). Evaluated on FLEURS / Common Voice test splits; other domains or dialects may differ.

Links & citation

@misc{buzzasr2026,
  title         = {BuzzASR: A Swarm of 100+ Monolingual Speech Recognition Models},
  author        = {Shivam Singh and Aditya Yadavalli and Catherine Arnett and Alex Warstadt},
  year          = {2026},
  eprint        = {2609.09554},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  note          = {Findings of the Association for Computational Linguistics: EMNLP 2026},
  url           = {https://arxiv.org/abs/2609.09554}
}

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
4741c1b

0 моделей