/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Опубликована
20 июн 2024

whisper-small-nepali

Распознавание речиАудио → текст7 профессий

Дообученная на непальской речи модель Whisper Small для транскрибирования аудио на непальском языке.

299скачиваний за 30 дней5лайковвеса обновлены9 дек 2025

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

Dragneel/whisper-small-nepali — модель автоматического распознавания речи на основе Whisper Small, дообученная на непальском корпусе OpenSLR 54. Она предназначена для преобразования непальской речи в текст, в частности для транскрибирования записей с чистой и размеренной речью. В метаданных указаны архитектура Whisper, 153,1 млн параметров и формат safetensors; README сообщает о 154 часах обучающих аудио и 157 905 высказываниях.

На тестовой выборке OpenSLR модель показала WER 26,69%. Лучше всего она работает с качественной записанной речью; быстрый разговорный темп и сильный фоновый шум могут ухудшать распознавание. Возможны варианты написания слов, различающиеся длиной гласных. Базовая модель — openai/whisper-small. Лицензия Apache-2.0.

Сценарии применения

  • транскрибирование записанной речи на непальском языке
  • создание текстовых субтитров к непальским аудиозаписям
  • распознавание речи из корпуса OpenSLR 54
  • преобразование чистых записей непальской речи в текст

Ограничения

Лучше распознаёт качественную размеренную речь; быстрый разговорный темп и сильный фоновый шум могут снижать точность. Возможны орфографические расхождения из-за неразличимой на слух длины гласных.

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 Fine-tuned on Nepali (OpenSLR 54)

This model is a fine-tuned version of openai/whisper-small on the OpenSLR 54 (Nepali Speech Corpus) dataset. It achieves state-of-the-art results for an open-source small model on this benchmark, trained on a massive 154-hour dataset.

Model Details

Model Description

  • Model architecture: Whisper Small (244M Parameters)
  • Language: Nepali (ne)
  • Task: Automatic Speech Recognition (Transcription)
  • Dataset: OpenSLR 54 (~157,000 utterances)
  • Fine-tuning Hardware: NVIDIA A100 80GB

Usage

from transformers import pipeline

transcriber = pipeline("automatic-speech-recognition", model="fnawaraj/whisper-small-nepali-openslr")

# Transcribe an audio file
transcription = transcriber("path_to_nepali_audio.mp3")

print(transcription["text"])

Training Data

The model was trained on the OpenSLR 54 (Nepali Speech Corpus).

Total Audio Duration: ~154 Hours

Total Utterances: 157,905

Sampling Rate: 16kHz

Training Procedure

Training Hyperparameters

The following hyperparameters were used during training:

Learning Rate: 1e-05

Train Batch Size: 8

Eval Batch Size: 8

Gradient Accumulation Steps: 4 (Effective Batch Size: 32)

Optimizer: AdamW

LR Scheduler: Linear decay with warmup (500 steps)

Training Steps: 10,000

Mixed Precision: FP16

Evaluation Results

The model was evaluated on the unseen test split of the OpenSLR dataset (1,580 samples). Metric Score Word Error Rate (WER) 26.69% Validation Loss 0.210

Limitations

The model performs best on read speech (high quality).

It may struggle with extremely fast conversational speech or heavy background noise compared to models trained on diverse noise datasets.

Some phonetic spelling variations (e.g., short vs long vowels) may occur as they sound identical in spoken Nepali.

This research was supported by the High Performance Computing (HPC) facility at Tribhuvan University, Nepal. We acknowledge the Supercomputer Centre for providing the computational resources required for this wor

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
72c458f

0 моделей