/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
29 мая 2025

whisper-large-v3-ar-eg

Распознавание речиАудио → текст3 профессии

Дообученная модель Whisper-large-v3 для транскрибации Корана, хадисов и египетской арабской речи.

57скачиваний за 30 дней0лайковвеса обновлены18 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

Whisper-large-v3-ar-eg — модель автоматического распознавания речи, созданная Мохамедом Котбом под патронажем профессора Али Гомаа. Это дообученная на базе openai/whisper-large-v3 модель семейства Whisper с 905,2 млн параметров, принимающая аудио и выдающая текст. Она обучена на корпусах Корана и хадисов на литературном арабском, а также на египетской арабской речи.

Модель предназначена для транскрибации религиозных текстов и египетской речи как вспомогательный инструмент и для исследований. Лучшая заявленная оценка для египетского арабского относится к речи того же диктора и формального регистра, что и обучающие данные; на спонтанной речи незнакомых дикторов качество заметно ниже универсальной базовой модели. Вывод использует арабскую орфографию без огласовок, числа записываются словами, временные метки не выдаются. Религиозные расшифровки следует сверять с каноническими письменными источниками. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация чтения Корана на арабском языке
  • распознавание аудиозаписей хадисов
  • транскрибация формальной египетской арабской речи
  • подготовка черновых расшифровок религиозных аудиоматериалов
  • исследование качества распознавания арабской речи

Ограничения

Модель не выдаёт временные метки, не расставляет огласовки и записывает числа словами; она не предназначена для числовой транскрибации или общего распознавания египетского диалекта. Для спонтанной египетской речи незнакомых дикторов качество ограничено, а религиозные расшифровки следует сверять с каноническими источниками.

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-large-v3-ar-eg

openai/whisper-large-v3 fine-tuned for Quran, Hadith and Egyptian Arabic at once. Same sacred-text fidelity as the MSA model, extended to a new domain — and the point of the model is that adding that domain cost almost nothing.

Results

Normalized WER/CER (%), scored with eval/asr_score.py.

EvaluationWERCER
Quran (ʿAbd al-Bāsiṭ, 7,280 clips)0.500.14
Hadith (Bukhari + Muslim, 4,752 clips)3.711.08
Egyptian — ar-eg-dataset validation, same speaker/register5.411.76
Egyptian — lahgtna-v3, zero-shot, unseen speakers, spontaneous17.206.32
MGB-2— (in this model's training set; not evaluated)

Adding a domain did not erode sacred text. Against the MSA model: Quran 0.33 → 0.50, Hadith 3.60 → 3.71 — essentially flat — while Egyptian dropped from ~12 to 5.41. That is the paper's central claim, and it is why this resource can be added to an existing mix rather than replacing it.

Be careful with 5.41. The Egyptian training data is a single speaker in a formal scholarly register. 5.41 measures same-speaker, same-register adaptation. On unseen spontaneous Egyptian we reach 17.20 and trail a general-purpose baseline (11.95). Both numbers are honest; they measure different things.

Usage

import torch
from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="Dr-AliGomaa/whisper-large-v3-ar-eg",
    torch_dtype=torch.float16,
    device="cuda:0",
    chunk_length_s=30,
)

gen = {
    "language": "arabic",
    "task": "transcribe",
    "num_beams": 5,
    "temperature": (0.2),
    "condition_on_prev_tokens": False,
    "compression_ratio_threshold": 1.35,
    "logprob_threshold": -1.0,
    "return_timestamps": False,
    "max_new_tokens": 444,
}

print(pipe("audio.mp3", generate_kwargs=gen)["text"])

This model does not emit timestamps. For identical accuracy with time alignment, use whisper-large-v3-ar-eg-timestamps.

Two things that will otherwise cost you accuracy

1. Run the audio pipeline first — silence-trim, loudness-normalize to −16 LUFS, edge-pad 100 ms, gain-correct, segment ≤ 30 s. Required to reproduce these numbers. pipeline/.

2. Score with eval/asr_score.py — Arabic WER moves materially with the normalizer.

Training

Baseopenai/whisper-large-v3
Trained onthe MSA mix + 40 h Egyptian (Prof. Ali Gomaa) + MGB-2 folded in for scale + timestamped data
Held outQuran, Hadith, Egyptian (10 h). MGB-2 is not held out for this model.
Learning rate5e-6, linear decay with warmup
Batch4 per device × 8 GPUs = 32 effective
Precision / distributedbf16 + tf32, DeepSpeed ZeRO
Augmentation1 clean + 4 independently-augmented waveform passes; scarce splits oversampled

Full recipe: training/training.py.

Intended use and limits

  • For transcription assistance and research. Not an authority on the correct text of the Quran or hadith — verify against canonical written sources before any religious use.
  • Output is Imlāʾī orthography without tashkīl; numerals are Arabic words — not for numeric transcription.
  • Not a general Egyptian-dialect model. One speaker, formal register.
  • Religious content reviewed and approved by Prof. Ali Gomaa, former Grand Mufti of Egypt and member of Al-Azhar's Council of Senior Scholars, under whose patronage this work was carried out; he is also the speaker of ar-eg-dataset, released with his permission.

Citation

@misc{kotb2026quranhadith,
  title  = {A Quran and Hadith Speech Resource and Benchmark for Arabic ASR,
            with Professional-Reciter Training and Validation},
  author = {Mohamed Kotb},
  year   = {2026},
  publisher = {Zenodo},
  doi    = {10.5281/zenodo.21927416},
  url    = {https://doi.org/10.5281/zenodo.21927416},
  note   = {Preprint}
}

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
a773b47

0 моделей