/ Модель

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
18 ноя 2024

whisper-large-v3-turbo-cantonese-yue-english

Распознавание речиАудио → текст5 профессий

Дообученная версия Whisper Large v3 Turbo для распознавания кантонской речи и кантонско-английского аудио в текст.

422скачиваний за 30 дней14лайковвеса обновлены11 окт 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

JackyHoCL/whisper-large-v3-turbo-cantonese-yue-english — дообученная модель Jacky Ho на базе Whisper Large v3 Turbo от OpenAI для автоматического распознавания речи. Она предназначена прежде всего для транскрибации кантонской речи, в том числе в сочетании с английским; автор приводит примеры потокового распознавания и сообщает об оценках CER на тестовых наборах Common Voice и очищенной смешанной кантонско-английской речи.

Модель построена на архитектуре WhisperForConditionalGeneration, содержит около 905,2 млн параметров и доступна в формате safetensors для Transformers. Для кантонского с английским README рекомендует языковой код yue; код zh указан для сценария с кантонским, мандаринским и английским. Карточка описывает обучение на Common Voice 16.1, Common Voice 17.0 и наборе очищенной смешанной кантонско-английской речи.

Результаты CER в README различаются между датами и наборами данных, поэтому приведённые оценки не гарантируют качество на других записях. Автор отмечает необходимость улучшить распознавание китайского и работу с фоновой шумовой средой; упоминается отдельная версия с обнаружением шума. Лицензия — MIT.

Сценарии применения

  • транскрибация разговорной речи на кантонском
  • распознавание кантонско-английской речи с переключением языков
  • создание субтитров для кантонских аудио- и видеозаписей
  • потоковая транскрибация речи в реальном времени

Ограничения

В README отмечены необходимость улучшить распознавание китайского и устойчивость к фоновой шумовой среде; качество может различаться между наборами данных. Для Transformers рекомендуется версия 4.49.0 или новее из-за возможных проблем токенизатора.

Для каких профессий подходит5

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

A version with noise detection is trained base on this model, to reduce hallucination during streaming:

Name: JackyHoCL/whisper-large-v3-turbo-cantonese-noise-detection https://huggingface.co/JackyHoCL/whisper-large-v3-turbo-cantonese-noise-detection transformers-4.49.0 For Cantonese + English, use 'yue', for Cantonese + Mandarin + English, use 'zh'

TODO: 1.Improve zh-CN performance 2.Improve overall performance (yue+zh+en) with background noise (Please kindly suggest/provide dataset if possible, thx)

temperature=0.3, extra_body=dict( seed=4419, repetition_penalty=1.05, top_p=0.5 )

2025-07-21: CER:

DatasetLangSplitCER(in %)
Trainingyuevalidation8.05
mozilla-foundation/common_voice_17_0yuetest0.64
JackyHoCL/cleaned_mixed_cantonese_and_english_speechyuetest8.3
mozilla-foundation/common_voice_17_0entest(2k samples)5.22
mozilla-foundation/common_voice_16_1zh-CNtest11.89

2025-07-19: CER:

DatasetLangSplitCER(in %)
Trainingyuevalidation8.94
mozilla-foundation/common_voice_17_0yuetest1.29
JackyHoCL/cleaned_mixed_cantonese_and_english_speechyuetest8.00
mozilla-foundation/common_voice_17_0entest6.8
mozilla-foundation/common_voice_16_1zh-CNtest50.9

2025-07-06: CER:

DatasetLangSplitCER(in %)
Trainingyuevalidation8.92
mozilla-foundation/common_voice_17_0yuetest8.86
JackyHoCL/cleaned_mixed_cantonese_and_english_speechyuetest7.96
mozilla-foundation/common_voice_17_0entest6.84
mozilla-foundation/common_voice_16_1zh-CNtest43.0

per_device_train_batch_size=32, learning_rate=1e-7,


2025-07-03: CER:

DatasetLangSplitCER(in %)
Trainingyuevalidation9.705
mozilla-foundation/common_voice_17_0yuetest9.31
JackyHoCL/cleaned_mixed_cantonese_and_english_speechyuetest8.37

per_device_train_batch_size=32, learning_rate=1e-5,


CER: 13.7%

Train Args: per_device_train_batch_size=16, gradient_accumulation_steps=1, learning_rate=1e-5, gradient_checkpointing=True, per_device_eval_batch_size=16, generation_max_length=225,

Hardware: NVIDIA Tesla V100 16GB * 4

A Realtime Streaming application example is built on this model: https://github.com/JackyHoCL/whisper-realtime.git

FAQ:

  1. If having tokenizer issue during inference, please update your transformers version to >= 4.49.0
pip install --upgrade transformers

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
58d693f

0 моделей