/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
uzbek_stt_v1
Опубликована
1 мая 2026

Zehnova-Uzbek-STT

Распознавание речиАудио → текст6 профессий

LoRA-дообученная Whisper Medium для преобразования узбекской речи в текст латинским письмом.

19скачиваний за 30 дней2лайкавеса обновлены1 мая 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

Zehнова STT — Jonibek21 разработала модель автоматического распознавания речи на узбекском языке. Это дообученная с помощью LoRA модель Whisper Medium на базе Kotib/uzbek_stt_v1, предназначенная для преобразования узбекской речи в текст латинским письмом.

Модель принимает аудио и выдаёт текст. По данным README, она обучалась на специальном узбекском аудиодатасете из 9 214 обучающих и 1 024 тестовых примеров. Заявленный WER составляет около 11–13% в целом, 6–11% для чистой речи и 9–16% для шумной или аугментированной речи; автор сообщает об улучшении примерно на 5% относительно базовой модели. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

Модель рассчитана на распознавание узбекской речи. Качество может снижаться при шуме, а аудио длиннее 30 секунд обрабатывается по частям.

Сценарии применения

  • расшифровка узбекских голосовых сообщений
  • транскрибация узбекских интервью и записей
  • распознавание узбекской речи в аудиоархивах

Ограничения

Качество может снижаться на шумном аудио; записи длиннее 30 секунд обрабатываются по частям. Указанные в README значения WER являются оценками автора.

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

Zehnova STT — O'zbek tili uchun Speech-to-Text modeli

O'zbek tili uchun fine-tune qilingan Whisper Medium asosidagi avtomatik nutqni matnга aylantirish modeli.

Model haqida

  • Model turi: Automatic Speech Recognition (ASR)
  • Asos model: Kotib/uzbek_stt_v1 (Whisper Medium)
  • Fine-tuning usuli: LoRA (Low-Rank Adaptation)
  • Til: O'zbek tili 🇺🇿
  • Muallif: Jonibek21

Ishlatish

from transformers import WhisperForConditionalGeneration, WhisperProcessor, pipeline
import torch

model_id = "Jonibek21/Zehnova-stt-uzbek"

model = WhisperForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.float16
).to("cuda")

processor = WhisperProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    chunk_length_s=30,
    stride_length_s=5,
    batch_size=4,
    device=0,
)

result = pipe(
    "audio.wav",
    generate_kwargs={
        "language": "uz",
        "task": "transcribe",
        "no_repeat_ngram_size": 3
    }
)

print(result["text"])

Training ma'lumotlari

  • Dataset: Maxsus O'zbek tili audio dataseti
  • Train samples: 9,214
  • Test samples: 1,024
  • Dataset vaqti: 16 soat
  • Training hardware: NVIDIA RTX 3090 (24GB)
  • Training framework: Hugging Face Transformers + PEFT
  • Precision: fp16
  • LoRA rank: 32
  • LoRA alpha: 64
  • LoRA target modules: q_proj, v_proj

📊 Model Evaluation (WER)

CategoryWER
Overall~11-13%
Clean Speech~6-11%
Noisy/Augme~9-16%
News / Formal~11-12%

Base model (Kotib/uzbek_stt_v1) overall WER: 16.7% Zehnova modeli base modeldan ~5% yaxshiroq natija ko'rsatdi.

Cheklovlar

  • Faqat o'zbek tilida ishlaydi
  • Shovqinli audio da sifat pasayishi mumkin
  • 30 soniyadan uzun audiolar bo'laklarga bo'linadi

Date

  • 01/05/2026

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
7570b31

0 моделей