/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Опубликована
8 дек 2025

sybyrla

Распознавание речиАудио → текст9 профессий

Sybyrla — дообученная на казахских и русских данных модель Whisper Large V3 для транскрибации речи в текст.

81скачиваний за 30 дней6лайковвеса обновлены15 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

Sybyrla — модель распознавания речи на основе Whisper Large V3, дообученная Inflexion Lab для казахской речи. Она преобразует аудио в текст и рассчитана на транскрибацию казахской речи, в том числе записанной в региональных акустических условиях. Модель обучалась на смеси данных KSC2 и русскоязычного Common Voice: русская речь помогает распознавать заимствования и переключение между казахским и русским языками. Для текстов KSC2 применялась автоматическая обработка с восстановлением заглавных букв и пунктуации.

На тестовой части KSC2 заявлен WER около 17,7%. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и опубликована в формате safetensors. Лицензия — Apache 2.0. Показатель WER относится к тесту KSC2; качество на других языках, аудиосредах и типах записей может отличаться.

Сценарии применения

  • транскрибация казахских записей и интервью
  • распознавание речи из радио- и телепередач на казахском языке
  • расшифровка подкастов на казахском языке
  • транскрибация записей с переключением между казахским и русским
  • распознавание русских заимствований в казахской речи

Ограничения

Заявленный WER около 17,7% измерен на тестовом разделении KSC2 и не гарантирует такое же качество на других данных. Поддержка русского языка описана как вспомогательная для заимствований и переключения языков.

Для каких профессий подходит9

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 Large V3 Fine-tuned on KSC2 (Sybyrla)

This model is a fine-tuned version of openai/whisper-large-v3. It is designed to provide robust automatic speech recognition (ASR) for the Kazakh language, achieving a Word Error Rate (WER) of approximately 17.7%.

To handle real-world acoustic environments in the region, this model was trained on a strategic mix of Kazakh and Russian data.

Developed by: Inflexion Lab
License: Apache License 2.0

Model Description

  • Model type: Transformer-based sequence-to-sequence model (Whisper Large V3)
  • Language(s): Kazakh (kk), Russian (ru) auxiliary
  • Task: Automatic Speech Recognition (ASR)
  • Base Model: openai/whisper-large-v3

Performance

The model was evaluated on the held-out test split of the KSC2 dataset.

MetricScore
WER~17.7%

Training Data & Methodology

The training dataset was curated to address specific challenges in Kazakh ASR, particularly the lack of punctuation in raw datasets and the prevalence of code-switching in daily speech.

Dataset Composition (80/20 Split)

We utilized a 80% / 20% data mixing strategy to prevent model degradation and improve stability when encountering non-Kazakh phonemes.

  1. Kazakh Speech Corpus 2 (KSC2) - ~80%

    • Volume: ~1,200 hours.
    • Processing: The original transcripts are in plain lowercase. We utilized Gemma 27B to syntactically restructure the text, restoring proper capitalization and punctuation.
    • Sources: Parliament speeches, TV/Radio broadcasts, podcasts, and crowdsourced recordings.
  2. Common Voice Scripted Speech 23.0 (Russian) - ~20%

    • Volume: ~250 hours.
    • Purpose: Including high-quality Russian speech helps the model distinguish between languages and handle loanwords or code-switching without hallucinating or degrading into gibberish.

Usage

Using with Hugging Face transformers

You can use this model directly with the Hugging Face pipeline.

from transformers import pipeline

# Load the pipeline
pipe = pipeline("automatic-speech-recognition", model="InflexionLab/sybyrla")

# Transcribe an audio file
# The pipeline handles chunking automatically if configured (see batch inference below).
result = pipe("path/to/your/audio.mp3")

print(result["text"])

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
c895cb3

0 моделей