/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small-swahili-afrivoice_cv
Опубликована
27 июн 2026

whisper-small-swahili-nss_afrivoice_cv

Распознавание речиАудио → текст3 профессии

Дообученная модель Whisper Small для распознавания нестандартной, в том числе дизартрической, речи на суахили.

32скачиваний за 30 дней0лайковвеса обновлены27 июн 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

Модель разработана Elizabeth Mwangi и представляет собой дообученную версию Whisper Small для автоматического распознавания нестандартной, в том числе дизартрической, речи на суахили. Это второй этап двухэтапного дообучения на наборе Kenyan Swahili Non-Standard Speech; в метаданных также указаны датасеты Swahili Afrivoice и Common Voice Swahili Small. Модель содержит 153,1 млн параметров и распространяется в формате safetensors.

Модель принимает аудио и выдаёт текстовую расшифровку. Она предназначена для транскрибирования нестандартной речи на суахили, включая аудио с различной степенью выраженности дизартрии. На тестовом наборе из 849 примеров указаны нормализованные WER 45,5% и CER 21,7%; средний WER составляет 36,8%, а ошибки возрастают с тяжестью нарушения речи.

Модель распространяется по лицензии Apache-2.0. Приведённые метрики показывают, что качество распознавания может быть ограниченным, особенно для речи с тяжёлой дизартрией; перед практическим применением следует оценить её на целевых записях.

Сценарии применения

  • транскрибирование записей речи людей с дизартрией на суахили
  • распознавание нестандартной речи на суахили
  • создание текстовых расшифровок аудиозаписей на суахили
  • оценка качества ASR для речи разной степени тяжести нарушений

Ограничения

На тестовом наборе указаны нормализованные WER 45,5% и CER 21,7%; качество может снижаться при тяжёлой дизартрии. Метрики относятся к конкретному тестовому набору и не гарантируют аналогичных результатов на других записях.

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 Small — Swahili (Non-Standard Speech, No SpecAugment)

Fine-tuned version of ElizabethMwangi/whisper-small-swahili-afrivoice_cv for automatic speech recognition of non-standard (dysarthric) Swahili speech.

This is Stage 2 of a two-stage fine-tuning pipeline, further trained on the Kenyan Swahili Non-Standard Speech dataset.

Model Details

  • Base model: ElizabethMwangi/whisper-small-swahili-afrivoice_cv
  • Language: Swahili (sw)
  • Task: Automatic Speech Recognition (ASR)
  • Training data: Kenyan Swahili Non-Standard Speech v1.0

Evaluation Results (NSS test set, 849 examples)

MetricValue
Overall WER (normalised)45.5%
Overall CER (normalised)21.7%
Avg WER (normalised)36.8%
Avg CER (normalised)16.2%

Per-severity breakdown

SeverityAvg WERAvg CER
Mild0.290.12
Moderate0.360.15
Severe0.440.20

Usage

from transformers import pipeline

asr = pipeline("automatic-speech-recognition", model="ElizabethMwangi/whisper-small-swahili-nss_afrivoice_cv")
result = asr("audio.wav")
print(result["text"])

Training Details

  • Fine-tuned using Hugging Face Seq2SeqTrainer
  • Language token: sw
  • Learning rate: 5e-5 with polynomial decay
  • Batch size: 16
  • Total steps: 1000
  • Spec augment: disabled (no SpecAugment)

Citation

If you use this model, please cite the AfriVoice and Kenyan Swahili Non-Standard Speech datasets and this repository.

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
327ccb4

0 моделей