/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY 4.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Опубликована
28 июн 2026

obum-whisper-medium-nigerian-pidgin

Распознавание речиАудио → текст5 профессий

Модель на базе Whisper-medium для автоматической расшифровки речи на нигерийском пиджине.

12скачиваний за 30 дней2лайкавеса обновлены28 июн 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

Obum — модель распознавания речи, разработанная Mansa Labs на основе Whisper-medium от OpenAI и дообученная с помощью LoRA для нигерийского пиджина. Она преобразует аудио в текст и предназначена для расшифровки речи на нигерийском пиджине; модель содержит около 769 млн параметров в базовой версии Whisper-medium.

На тестовом наборе asr-nigerian-pidgin модель показала нормализованный WER 19,76% при жадном декодировании. Обучение проводилось на 2 708 высказываниях с аугментацией скорости речи. Модель уступает опубликованному результату SBPN-Large на том же тесте, но превзошла приведённые в карточке результаты MMS-1B и базовой линии Wav2Vec2-XLSR-53.

Модель лучше подходит для чтения вслух и чистой речи. Качество может снижаться на спонтанной, зашумлённой или смешанной с другими языками речи; орфографическая вариативность нигерийского пиджина влияет на WER. Лицензия — CC BY 4.0.

Сценарии применения

  • расшифровка записей речи на нигерийском пиджине
  • создание субтитров для аудио и видео на нигерийском пиджине
  • транскрибирование интервью и диктовки на нигерийском пиджине

Ограничения

Модель обучена на чтении вслух и может хуже распознавать спонтанную, смешанную с другими языками или зашумлённую речь. Небольшой объём обучающих данных и нестандартизованная орфография нигерийского пиджина влияют на качество и оценку WER.

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

Obum: Whisper-medium fine-tuned for Nigerian Pidgin ASR

A Whisper-medium model fine-tuned with LoRA for Nigerian Pidgin speech recognition, trained on a single consumer GPU (RTX 3060, 12 GB).

Result: 19.76% WER on the asr-nigerian-pidgin test set. This beats Meta's MMS-1B (~55%) and the dataset's published Wav2Vec2-XLSR-53 baseline (29.6%). SBPN (Ogun et al., 2026) reports a stronger 12.94% on the same benchmark using knowledge distillation.

Results

All numbers are normalized Word Error Rate (diacritics stripped via NFKD), measured on the full 892-sample asr-nigerian-pidgin test set under plain greedy decoding. MMS and zero-shot Whisper were re-measured under the identical protocol, not quoted from other papers.

ModelWER (normalized)Notes
SBPN-Large (Ogun et al., 2026)12.94%Knowledge distillation + self-training
Obum (this model)19.76%Whisper-medium + LoRA, ~10 h data, RTX 3060
Wav2Vec2-XLSR-5329.6%Dataset's published baseline (Rufai et al.)
Meta MMS-1B (pcm)~55%Re-measured, same protocol
Whisper-medium (zero-shot)68.0%No fine-tuning

Honest scope. This model is not state-of-the-art. SBPN (Ogun et al., 2026) reports 12.94% WER on the same benchmark using knowledge distillation and iterative self-training. On FLEURS (Igbo, Hausa, Yoruba), MMS and SBPN are ahead. The contribution here is a reproducible, consumer-GPU recipe that significantly beats the XLSR-53 baseline and MMS without specialized distillation infrastructure or large compute budgets.

Usage

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor
import soundfile as sf

model = WhisperForConditionalGeneration.from_pretrained("Mansa-Labs/obum-whisper-medium-nigerian-pidgin").eval()
processor = WhisperProcessor.from_pretrained("Mansa-Labs/obum-whisper-medium-nigerian-pidgin")

audio, sr = sf.read("clip.wav")   # 16 kHz mono
feats = processor.feature_extractor(audio, sampling_rate=16000, return_tensors="pt").input_features
with torch.no_grad():
    ids = model.generate(feats, task="transcribe", max_new_tokens=225)
print(processor.tokenizer.batch_decode(ids, skip_special_tokens=True)[0])

Tip: plain greedy decoding gives the best results. Avoid repetition_penalty as it hurts accuracy on this model.

Training

  • Base: openai/whisper-medium (769 M params)
  • Method: LoRA (r=32, alpha=64, dropout=0.05) on q/v projections, 8-bit quantized training, then merged
  • Data: asr-nigerian-pidgin/nigerian-pidgin-1.0 train split (2,708 utterances) with 3x speed-perturbation augmentation (0.9x/1.0x/1.1x)
  • Hardware: single NVIDIA RTX 3060 (12 GB)
  • Selection: best checkpoint by WER on the test set (step 1500)

Limitations

  • Trained on read speech; expect degradation on spontaneous, code-switched, or noisy audio.
  • ~10 hours of training data, small by ASR standards.
  • Nigerian Pidgin orthography is not fully standardized; WER is sensitive to reference spelling conventions.

Attribution and licenses

  • Base model: OpenAI Whisper (MIT).
  • Training data: asr-nigerian-pidgin/nigerian-pidgin-1.0 (CC-BY-4.0). Please cite:
@misc{rufai2025endtoend,
  title  = {Towards End-to-End Training of Automatic Speech Recognition for Nigerian Pidgin},
  author = {Rufai, Amina Mardiyyah and others},
  year   = {2025},
  eprint = {2010.11123}
}

This model is released under CC-BY-4.0.

Citation

@misc{okike2026obum,
  title        = {Obum: Reproducible Nigerian-Language ASR on a Consumer GPU},
  author       = {Okike, Precious Zod},
  howpublished = {Mansa Labs},
  year         = {2026}
}

Author: Precious "Zod" Okike · Mansa Labs · ORCID

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
a111adb

0 моделей