/ Модель

Характеристики

Параметры
905 млн
Лицензия
CC BY-NC 4.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Опубликована
22 мая 2025

whisper-large-v3-turbo-swiss-german

Распознавание речиАудио → текст4 профессии

Дообученная Whisper Large V3 Turbo распознаёт швейцарский немецкий и выдаёт расшифровку на стандартном немецком языке.

1 387скачиваний за 30 дней39лайковвеса обновлены17 апр 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 Flurin17/whisper-large-v3-turbo-swiss-german разработана Flurin17 как дообученная версия openai/whisper-large-v3-turbo для автоматического распознавания швейцарского немецкого. Она принимает аудио с речью и предназначена для сценариев, где нужно получить расшифровку на стандартном немецком языке.

Модель использует архитектуру Whisper Large V3 Turbo и содержит около 905,2 млн параметров. Для дообучения использовали примерно 301 час частной аудиозаписи, преимущественно парламентской и другой полуформальной речи, а также прочитанной или заданной речи на швейцарском немецком; расшифровки обучающих данных были на стандартном немецком. Карточка сообщает об улучшении WER относительно базовой модели на выборке из обучающего корпуса, однако это внутренние самоотчётные результаты, а сам корпус закрыт.

Модель подходит для распознавания достаточно чистой разговорной и полуформальной речи. Точность может меняться в зависимости от диалекта, говорящего, качества записи и предметной области; после выбранного чекпойнта качество на обучении ухудшалось. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Сценарии применения

  • расшифровка речи на швейцарском немецком в текст на стандартном немецком
  • транскрибирование выступлений в швейцарских парламентах
  • расшифровка полуформальных выступлений и докладов
  • транскрибирование чистой разговорной речи на швейцарском немецком

Ограничения

Обучающие данные закрыты, а метрики являются самоотчётными результатами на внутренних выборках и не гарантируют качество на других записях. Точность зависит от диалекта, говорящего, качества аудио и предметной области; более поздние чекпойнты переобучились.

Для каких профессий подходит4

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 Turbo Swiss German

This model is a fine-tuned version of openai/whisper-large-v3-turbo for Swiss German automatic speech recognition. It is intended to transcribe Swiss German speech into Standard German text.

The current upload corresponds to the best checkpoint from the March 20, 2026 retraining run: checkpoint-750.

Summary

  • Base model: openai/whisper-large-v3-turbo
  • Task: Swiss German speech recognition
  • Output language: Standard German text
  • Best uploaded checkpoint: checkpoint-750
  • Training data for this checkpoint: about 301 hours of curated private Swiss German training audio
  • Training infrastructure: 4x A100 80GB GPUs
  • Checkpoint format: safetensors

Training Data

The training data for this model is private.

For readers, the important part is the data mix and scale:

  • about 301 hours of training audio were used for this published checkpoint
  • about 335 hours are included across the corresponding train, validation, and test splits
  • the curated subset is made up primarily of Swiss German parliamentary or other semi-formal speech plus read or prompted Swiss German speech
  • transcripts are in Standard German

Because the corpus is private, this model card does not list internal dataset names, split names, or source identifiers. The March 20, 2026 retraining run used a filtered subset of the broader private Swiss German corpus after earlier experiments showed that some internal sources reduced validation quality.

Public corpus references that help explain the broader data provenance are:

Those public references are included here for reader context and provenance. They should not be read as a verbatim public listing of the exact filtered private subset used for this published checkpoint.

Why This Checkpoint

The training run improved steadily up to checkpoint-750, then degraded afterward. The uploaded model is therefore the best checkpoint from the run, not the final checkpoint.

Validation trajectory during the successful run:

StepWERNormalized WER
25041.0540.21
50039.6338.86
75037.9637.25
100042.9242.20
125043.6442.92
150043.6442.89

This is why checkpoint-750 is the shipped model.

Comparison To Base Whisper V3 Turbo

The tuned model was compared against the base openai/whisper-large-v3-turbo on a large random sample from the same private training corpus regime used for this retraining run.

Comparison setup:

  • split evaluated: training split
  • sample size: 16,384

Results:

ModelWERNormalized WER
Base openai/whisper-large-v3-turbo45.7144.52
This model39.1838.48

Absolute improvement over base on that sampled training slice:

  • WER: -6.54
  • normalized WER: -6.04

Intended Use

This model is intended for Swiss German ASR workloads where the target transcription is Standard German text.

It is the right version to try if:

  • you want a Whisper Turbo model adapted for Swiss German speech
  • your audio is reasonably clean conversational or semi-formal speech
  • you want a stronger Swiss German starting point than zero-shot base Whisper Turbo

Limitations

  • The training data is private, so the reported metrics are self-reported from internal evaluation.
  • The reported best validation metric is from the curated private validation slice used for model selection.
  • The run overfit after checkpoint-750; later checkpoints were worse.
  • Performance can still vary by dialect, speaker population, audio quality, and domain.

Usage

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

model_id = "Flurin17/whisper-large-v3-turbo-swiss-german"
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id,
    torch_dtype=torch_dtype,
    low_cpu_mem_usage=True,
    use_safetensors=True,
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

result = pipe("path/to/audio.wav")
print(result["text"])

Technical Notes

  • architecture: Whisper Large V3 Turbo
  • framework: PyTorch + Transformers
  • optimizer: adamw_torch_fused
  • scheduler: cosine
  • learning rate: 1e-5
  • epochs configured: 5
  • model selection: best checkpoint by validation WER

License

This model is distributed under the Creative Commons Attribution-NonCommercial 4.0 license (cc-by-nc-4.0).

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
16a4f2c

0 моделей