/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY-NC-SA 4.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
19 июл 2026

whisper-medium-m4singer-zh-lyrics

Распознавание речиАудио → текст3 профессии

Модель на базе Whisper medium распознаёт китайские тексты песен в коротких фрагментах пения на мандаринском языке.

20скачиваний за 30 дней0лайковвеса обновлены19 июл 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

Hengyuhan/whisper-medium-m4singer-zh-lyrics — модель распознавания пения, созданная полнопараметрическим дообучением OpenAI Whisper medium на корпусе M4Singer. Она преобразует короткие фразы на мандаринском пении в китайские тексты песен и предназначена для исследовательской оценки и расшифровки вокала. Валидационная CER составила 22,354% против 24,247% у исходной Whisper medium; независимая итоговая оценка на тестовой выборке на момент публикации карточки ещё не была завершена. Модель принимает аудио, рассчитана на фрагменты до примерно 30 секунд; для работы с Whisper рекомендуется монофонический звук с частотой 16 кГц.

Качество на чистом профессионально записанном пении не гарантирует устойчивость к аккомпанементу, концертным записям, реверберации или бытовым микрофонам. Возможны вставки и повторы текста во время пауз, вдохов и инструментальных частей; результат следует проверять. Модель не предназначена для перевода речи, идентификации дикторов или общего распознавания разговорного мандаринского языка. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

Сценарии применения

  • расшифровка мандаринских песен в китайские иероглифы
  • создание черновых субтитров для коротких вокальных фрагментов
  • оценка распознавания текста песен на корпусе M4Singer

Ограничения

Устойчивость к аккомпанементу, живым записям, реверберации и бытовым микрофонам не установлена; возможны вставки и повторы текста в паузах и инструментальных фрагментах. Итоговая независимая тестовая оценка и проверка на незнакомых певцах не завершены; качество не следует переносить на разговорное распознавание мандаринского языка.

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 Medium for Mandarin Singing Lyrics

whisper-medium-m4singer-zh-lyrics is a full-parameter fine-tune of openai/whisper-medium for Mandarin singing-voice transcription. It was trained on the M4Singer corpus with song-disjoint train, validation, and test splits.

Intended use

The model transcribes short Mandarin singing phrases into Chinese lyrics. It is intended for non-commercial research and evaluation. It is not designed for speech translation, speaker identification, or unrestricted commercial use.

Data and license

Training used M4Singer under its CC BY-NC-SA 4.0 non-commercial terms:

  • 20,896 accepted segments; 0 rejected
  • 29.70 hours
  • 20 singers and 419 songs
  • 16,834 train / 1,988 validation / 2,074 test segments
  • song, file-path, and audio-hash overlap across splits: zero

Users must comply with the M4Singer license and citation requirements. The training audio is not redistributed in this repository.

Training

  • Base model: openai/whisper-medium
  • Method: full-parameter fine-tuning
  • Language/task: zh / transcribe
  • Hardware: one NVIDIA RTX 6000 Ada Generation (48 GB)
  • Precision: BF16; TF32 enabled
  • Gradient checkpointing: enabled
  • Per-device batch size: 2
  • Gradient accumulation: 16
  • Learning rate: 5e-6, linear schedule
  • Epochs/steps: 4 / 2,108
  • Runtime: 3 h 48 min
  • Seed: 42
  • Best checkpoint selected on validation: step 2,108
  • PyTorch peak allocated memory: 6.23 GiB (not an nvidia-smi peak)

Results

All CER values use the same configurable Chinese normalization and micro character aggregation.

SystemValidation CER
Original Whisper medium24.247%
This model22.354%

This is an absolute improvement of 1.893 percentage points and a relative improvement of approximately 7.81%. The independent final test evaluation and song-level paired bootstrap analysis were queued when this initial model card was published; the card will be updated after those results are finalized.

Usage

import soundfile as sf
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor

model_id = "Hengyuhan/whisper-medium-m4singer-zh-lyrics"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, dtype=torch.float16, attn_implementation="sdpa"
).to("cuda")

audio, sample_rate = sf.read("singing.wav", dtype="float32")
inputs = processor(
    audio, sampling_rate=sample_rate, return_tensors="pt",
    return_attention_mask=True,
)
features = inputs.input_features.to("cuda", dtype=torch.float16)
mask = inputs.attention_mask.to("cuda")
model.generation_config.language = "zh"
model.generation_config.task = "transcribe"

with torch.inference_mode():
    generated = model.generate(features, attention_mask=mask, max_new_tokens=440)
print(processor.batch_decode(generated, skip_special_tokens=True)[0])

Audio should be mono and no longer than Whisper's approximately 30-second input window. Resample to 16 kHz when necessary.

Limitations

  • M4Singer is primarily clean, professionally recorded singing; robustness to accompaniment, live recordings, reverberation, and consumer microphones is not established.
  • Unseen-singer, external-dataset, and hallucination evaluations are not yet complete.
  • The model can insert or repeat lyrics during silence, breaths, or instrumental passages. Do not treat generated text as verified ground truth.
  • Performance is not evidence of broad Mandarin conversational ASR quality.

Citation

Please cite both Whisper and M4Singer when using this model. M4Singer:

@inproceedings{zhang2022msinger,
  title={M4Singer: A Multi-Style, Multi-Singer and Musical Score Provided Mandarin Singing Corpus},
  author={Zhang, Lichao and Li, Ruiqi and Wang, Shoutong and Deng, Liqun and Liu, Jinglin and Ren, Yi and He, Jinzheng and Huang, Rongjie and Zhu, Jieming and Chen, Xiao and Zhao, Zhou},
  booktitle={NeurIPS Datasets and Benchmarks Track},
  year={2022}
}

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
b2db3eb

0 моделей