/ Модель

Характеристики

Контекст
1 024 токена
Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v2
Опубликована
6 июн 2025

Breeze-ASR-25

Распознавание речиАудио → текст6 профессий

Модель MediaTek Research для распознавания тайваньской мандаринской речи и китайско-английской речи с переключением языков, включая выравнивание временных меток для субтитров.

29 639скачиваний за 30 дней153лайкавеса обновлены8 июл 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

Breeze ASR 25 — это модель распознавания речи MediaTek Research, дообученная на базе Whisper-large-v2. Она предназначена для транскрибации тайваньского мандаринского китайского языка, включая традиционное письмо, а также речи с переключением между китайским и английским языками внутри фраз и между фразами. Улучшенное выравнивание временных меток подходит для автоматического создания субтитров.

Модель имеет архитектуру Whisper и содержит около 905,2 млн параметров. В описании приведены результаты на коротких и длинных аудиозаписях: на нескольких тестах Breeze ASR 25 показывает более низкую частоту ошибок слов, чем сравниваемые версии Whisper и COOL-Whisper. Данные обучения включают синтетическую китайскую речь, английскую речь Common Voice и примеры переключения языков.

Модель принимает аудио и выдаёт текстовую транскрипцию. Карточка указывает лицензию Apache-2.0. Оптимизация ориентирована на тайваньский мандаринский и китайско-английскую речь; качество для других языков и условий записи в карточке не охарактеризовано.

Сценарии применения

  • транскрибация речи на тайваньском мандаринском
  • распознавание китайско-английской речи с переключением языков
  • создание субтитров с временными метками
  • расшифровка лекций на мандаринском китайском
  • транскрибация интервью и выступлений на китайском и английском

Ограничения

Модель специально оптимизирована для тайваньского мандаринского и китайско-английского переключения языков; качество для других языков и условий записи не описано. Китайские обучающие данные были синтетическими.

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

Breeze ASR 25

GitHub | Paper

Breeze ASR 25 是一款基於 Whisper-large-v2 開發的語音辨識模型,並具有以下特色:

  • 強化繁體中文情境辨識能力
  • 強化中英混用情境辨識能力,包含句內以及句外轉換
  • 強化時間戳記對齊,適合自動字幕生成

Breeze ASR 25 is an advanced ASR model fine-tuned from Whisper-large-v2

  • Optimized for Taiwanese Mandarin
  • Optimized for Mandarin-English code-switching scenarios, including intra-sentential switching and inter-sentential switching.
  • Enhanced time alignment, suitable for automatic captioning

Example:

增強範例-中英混用情境: MediaTek's 24th Anniversary

Breeze ASR 25:

面對不知道的我們怎麼用 open mind open heart 的心情去 explore
那 explore 過程也就是持續學習 不斷創新
當然如果能帶領 MediaTek 說達到這樣的 position
對做這樣的事情那覺得是一個 commitment
那也是一個 passion 那可以一直很努力的投入在做

Whisper-large-v2:

面對不知道的我們怎麼用開放心情去探索
把它探索過程也就是 仔細學習 不斷創新
當然如果能帶領MediaTek說 達到這樣的層次 對做這樣的事情
那覺得是一個貢獻那也是一個熱誠
那可以一直來努力地投入在做

Performance

Word error rates of benchmarks. The WERR is reported in comparison with the Whisper-large-v2 automatic language detection (WLV2-Auto) baseline. "Breeze ASR 25" is refered in the paper as "Twister"

Short-form Audio Datasets

Dataset\ModelLanguageWLV2-Auto ↓WLV3-Auto ↓COOL-Whisper ↓Breeze ASR 25 (Ours) ↓
ASCEND-OVERALL*Mixed21.1423.2219.7117.74 (-16.08%)
- ASCEND-ENEnglish27.3627.2129.3926.64 (-2.63%)
- ASCEND-ZHMandarin17.4917.4118.9016.04 (-8.29%)
- ASCEND-MIX*Mixed21.0125.1317.3416.38 (-22.01%)
CommonVoice16-zh-TWMandarin9.848.9511.867.97 (-19%)
CSZS-zh-en*Mixed29.4926.4320.9013.01 (-55.88%)

Long-form Audio Datasets

Dataset\ModelLanguageWLV2-Auto ↓WLV3-Auto ↓COOL-Whisper ↓Breeze ASR 25 (Ours) ↓
ML-lecture-2021-long*Mandarin6.136.416.374.98 (-18.76%)
Formosa-GoMandarin15.0314.9016.8313.61 (-9.44%)
Formosa-ShowMandarin29.1827.8029.7827.58 (-5.48%)
Formosa-CourseMandarin9.509.6711.129.94 (+0.44%)
Formosa-GeneralMandarin11.4511.4613.3311.37 (-0.69%)
FormosaSpeechMandarin22.3421.2226.7122.09 (-1.12%)

* Code-switching datasets


Training Data

所有 Breeze ASR 25 的的訓練取樣自寬鬆自由軟體授權條款的數據集,中文部分完全採用合成語音資料:

The training data of Breeze ASR 25 is sampled from the following publicly available sources with permissive open-source licenses, where all Chinese data are synthetic:

Dataset NameTypeLanguageTotal HoursLicense
ODC SynthSyntheticMandarin10,000Open Data Commons License Attribution + Apache2.0*
CommonVoice17-ENRealEnglish1,738Creative Commons Zero
NTUML2021RealCode-switching11MIT License

*ODC Synth is generated by using text from FineWeb2 (ODC License) and a TTS model BreezyVoice (Apache2.0 License)

Additional code-switching samples are generated through data augmentation with these three datasets; further details can be found in our paper.


🔧 Usage Example

字幕檔生成,請參考 GitHub Please refer to the GitHub for subtitles generation.

For quick testing, the whisper architecture is supported in Hugging Face 🤗 Transformers. First, install relavant packages:

pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate

The model can be used with the pipeline class to transcribe audios of arbitrary length: Simple change input_audio.wav in the following example to the actual filename of your audio.

import torchaudio
import torch
from transformers import WhisperProcessor, WhisperForConditionalGeneration, AutomaticSpeechRecognitionPipeline

# 1. Load audio
audio_path = "./input_audio.wav"
waveform, sample_rate = torchaudio.load(audio_path)          

# 2. Preprocess
if waveform.shape[0] > 1:
    waveform = waveform.mean(dim=0)                         
waveform = waveform.squeeze().numpy()                        

if sample_rate != 16_000:
    resampler = torchaudio.transforms.Resample(sample_rate, 16_000)
    waveform = resampler(torch.tensor(waveform)).numpy()
    sample_rate = 16_000

# 3. Load Model
processor = WhisperProcessor.from_pretrained("MediaTek-Research/Breeze-ASR-25")
model = WhisperForConditionalGeneration.from_pretrained("MediaTek-Research/Breeze-ASR-25").to("cuda").eval()

# 4. Build Pipeline
asr_pipeline = AutomaticSpeechRecognitionPipeline(
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    chunk_length_s=0
)

# 6. Inference
output = asr_pipeline(waveform, return_timestamps=True)  
print("Result:", output["text"])

You can obtain a wav file for testing by loading from a benchmark:

from datasets import load_dataset
import torch
import torchaudio


ds = load_dataset("ky552/ML2021_ASR_ST", split="test")
sample = ds[1279]["audio"]

audio_array = sample["array"]
sampling_rate = sample["sampling_rate"]

waveform = torch.tensor(audio_array).unsqueeze(0)

torchaudio.save("input_audio.wav", waveform, sampling_rate)

# Decoding Results:
# Breeze ASR 25: "放進你的 training 裡面" (correct)
# Whisper: "放進你的權利裡面"


Acknowledgements

We thank NVIDIA for providing access to the Taipei-1 supercomputer.

We thank Professor Hung-yi Lee for his valuable guidance on this project.


📜 Citation

If you find this model useful, please cite our work:

Cheng-Kang Chou*, Chan-Jan Hsu*, Ho-Lam Chung, Liang-Hsuan Tseng, Hsi-Chun Cheng, Yu-Kuan Fu, Kuan-Po Huang, Hung-yi Lee
A Self-Refining Framework for Enhancing ASR Using TTS-Synthesized Data

*Equal contribution

@article{chou2025selfrefiningframeworkenhancingasr,
  title={A Self-Refining Framework for Enhancing ASR Using TTS-Synthesized Data},
  author={Cheng Kang Chou and Chan-Jan Hsu and Ho-Lam Chung and Liang-Hsuan Tseng and Hsi-Chun Cheng and Yu-Kuan Fu and Kuan Po Huang and Hung-Yi Lee},
  journal={arXiv preprint arXiv:2506.11130},
  year={2025}
}

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
cffe7cc

0 моделей