/ Модель

Характеристики

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

vietnamese

Распознавание речиАудио → текст8 профессий

Монолингвальная модель Whisper large-v3, дообученная BuzzASR для транскрибации вьетнамской речи в текст.

114скачиваний 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/Vietnamese — специализированная модель автоматического распознавания речи на вьетнамском языке, разработанная как часть набора из 102 языковых ASR-моделей BuzzASR. Она дообучена методом простого fine-tuning от openai/whisper-large-v3 с сохранением токенизатора Whisper и настройкой только для распознавания речи. Модель использует архитектуру Whisper large-v3 с 905,2 млн параметров и принимает аудио, выдавая текстовую транскрипцию.

Модель предназначена для транскрибации вьетнамской речи. В тестах README указаны CER 3,73% и WER 7,26% на FLEURS, а также CER 5,38% и WER 10,68% на комбинированном тестовом наборе; результаты зависят от данных и условий оценки. Обучение включало FLEURS и текстовые данные корпуса Goldfish. Модель распространяется по лицензии MIT.

Сценарии применения

  • транскрибация записей на вьетнамском языке
  • распознавание вьетнамской речи в аудиозаписях
  • создание субтитров к вьетнамским аудио- и видеоматериалам
  • автоматическое преобразование вьетнамских голосовых сообщений в текст

Ограничения

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

Для каких профессий подходит8

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

BuzzASR — Vietnamese

A monolingual automatic speech recognition model for Vietnamese, 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 simple fine-tuning (Whisper's tokenizer, ASR fine-tuning only).

Results (normalized CER / WER, %)

Test setCERWERWhisper-large-v3 (zero-shot) CER
FLEURS3.737.263.9
Combined5.3810.683.9

~0.7x 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/vietnamese", torch_dtype=torch.float16).to("cuda").eval()
proc  = WhisperProcessor.from_pretrained("BuzzASR/vietnamese")

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, capped per the paper. Text-only data from the Goldfish corpus (Chang et al., 2026).

Limitations

Monolingual (Vietnamese 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
27af23b

0 моделей