/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Библиотека
transformers
Опубликована
25 мая 2026

flix-swissgerman-full

Распознавание речиАудио → текст6 профессий

Модель на базе Whisper распознаёт швейцарский немецкий диалект и выдаёт грамматически корректный текст на стандартном немецком.

2 381скачиваний за 30 дней18лайковвеса обновлены12 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

Flix-AI разработала flix-swissgerman-full — модель распознавания швейцарского немецкого диалекта, дообученную на базе openai/whisper-large-v3. Это полноразмерное дообучение Whisper с 905,2 млн параметров в формате Safetensors. Модель принимает аудио на швейцарском немецком и преобразует речь в грамматически корректный текст на стандартном немецком, сочетая распознавание речи с передачей диалектных форм на стандартном языке.

Обучение проводилось на 1 367 часах речи из телеэфира, парламентских выступлений, YouTube и швейцарского кино; охвачены основные диалектные регионы Швейцарии. В оценке указаны WER 25,60% и ошибка по содержанию cWER 13,8%; часть штрафа WER связана с различиями в редакционном стиле и транскрипционных соглашениях. Модель распространяется по лицензии Apache-2.0. Данные обучения вместе с моделью не распространяются; отдельные источники данных использовались на условиях, ограничивающих их применение исследовательскими целями.

Сценарии применения

  • транскрибация речи на швейцарском немецком
  • преобразование швейцарских диалектов в стандартный немецкий текст
  • распознавание парламентских выступлений на швейцарском немецком
  • транскрибация швейцарских теле- и YouTube-программ

Ограничения

Модель может ошибаться в именах и названиях, а также выбирать порядок слов или формулировки, отличающиеся от ожидаемой дословной расшифровки. Она обрабатывает сегменты отдельно и не использует контекст разговора для устранения неоднозначностей.

Для каких профессий подходит6

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

flix-swissgerman-full

A fine-tuned version of openai/whisper-large-v3 for Swiss German (Schweizerdeutsch) automatic speech recognition. The model transcribes Swiss German dialect speech into grammatically correct Standard German text.

This is the first publicly available, fully fine-tuned Whisper model for Swiss German.

Model Description

  • Base model: openai/whisper-large-v3 (1.55B parameters)
  • Fine-tuning: Full fine-tune (all parameters trainable)
  • Training data: 1,367 hours of Swiss German speech from broadcast subtitles, parliamentary proceedings, YouTube, and Swiss film
  • Task: Swiss German speech → Standard German text (dialect-to-standard translation + transcription)
  • Hardware: NVIDIA DGX Spark GB10 (128 GB unified memory), single desktop workstation

Performance

MetricValueNotes
WER (measured)25.60%ASGDTS, 5,750 samples, honest evaluation
cWER (content errors only)13.8%Excludes style/convention differences
sWER (style component)11.3%Valid alternative translations penalized by WER
bWER (bias-corrected)8.5%Estimated true error rate
Whisper large-v3 baseline28.56%Zero-shot, no fine-tuning

Important Context on WER

Our WER of 25.60% should be interpreted carefully:

  • ~64% of evaluation samples are semantically correct (KORREKT + STIL categories) but penalized by WER due to transcription convention differences (tense, reformulation style)
  • The genuine content error rate is 13.8% cWER; bias-corrected estimation yields 8.5% bWER
  • Published lower WER scores (Michaud 17.5%, ZHAW 17.1%) are inflated by benchmark contamination — see our paper for details

Usage

from transformers import WhisperForConditionalGeneration, WhisperProcessor
import torch

model_id = "Flix-AI/flix-swissgerman-full"

processor = WhisperProcessor.from_pretrained(model_id)
model = WhisperForConditionalGeneration.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
)

# Transcribe Swiss German audio
audio_array = ...  # numpy array, 16kHz mono
input_features = processor(
    audio_array, sampling_rate=16000, return_tensors="pt"
).input_features.to(model.device, dtype=torch.bfloat16)

predicted_ids = model.generate(input_features, language="de", task="transcribe")
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)

Training Details

Data Sources

SourceHoursLicenseContent
SRF Mediathek848hResearch use (Art. 24d URG)Broadcast subtitles (news, entertainment, documentary)
Swiss Parliament (SPC v2)202hCC BY 4.0Parliamentary speeches (Grosser Rat BE)
YouTube151hResearch use (Art. 24d URG)25 institutional channels (cantons, police, podcasts)
PlaySuisse165hResearch use (Art. 24d URG)Swiss films and series
Total1,367h

No training data is redistributed with this model. The model was trained under the Swiss text and data mining research exception (Art. 24d URG).

Training Configuration

ParameterValue
Trainable parameters1,543,490,560 (100%)
OptimizerAdamW
Learning rate1×10⁻⁵ (cosine decay)
Warmup steps500
Effective batch size32
Precisionbfloat16
Gradient checkpointingEnabled
SpecAugmentEnabled
Training time~73 hours (2 epochs)

Dialect Coverage

The training data covers all major Swiss German dialect regions:

DialectPrimary Source
ZüridütschSRF, YouTube
BerndeutschSPC v2 (dominant), SRF
LuzernerdeutschSRF, YouTube
BaseldeutschSRF, YouTube
St. GallerdeutschSRF, YouTube
WalliserdeutschSRF, PlaySuisse
BündnerdeutschYouTube
AppenzellerdeutschSRF

Limitations

  1. Proper nouns: The model may misspell names and places it hasn't encountered during training
  2. Word order: Swiss German sentence structure sometimes differs from Standard German; the model may produce valid but differently ordered translations
  3. Convention mismatch: Trained on broadcast subtitles (editorial style), which may differ from verbatim transcription expectations
  4. No context: The model processes segments independently; it cannot use broader conversation context for disambiguation

Citation

@article{akeret2026whisper-swiss-german,
  title={Subtitle-Aligned Fine-Tuning of Whisper for Swiss German ASR: Benchmark Contamination, Convention Mismatch, and an Honest Baseline at 25.6\% WER (13.8\% cWER)},
  author={Akeret, Felix},
  year={2026},
  url={https://arxiv.org/abs/2606.07608},
  eprint={2606.07608},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

Acknowledgments

  • OpenAI for the Whisper model
  • FHNW/i4ds for the Swiss Parliament Corpus (SPC v2) and ASGDTS benchmark
  • SRF for publicly accessible broadcast content
  • PlaySuisse for Swiss film and series content

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
a9c347a

0 моделей