/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
15 мар 2025

whisper-large-v3-persian-common-voice-17

Распознавание речиАудио → текст9 профессий

Дообученная на Common Voice 17 модель Whisper Large v3 для транскрибации речи на фарси.

8скачиваний за 30 дней10лайковвеса обновлены17 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Модель MohammadGholizadeh/whisper-large-v3-persian-common-voice-17 — дообученная версия Whisper Large v3 от OpenAI для распознавания персидской (фарси) речи и преобразования аудио в текст. Она обучена на более чем 250 тысячах аудиозаписей Common Voice 17 и предназначена для транскрибации персидской речи, в том числе с обработкой аудио фрагментами до 30 секунд через Transformers pipeline.

По данным карточки, увеличение обучающей выборки по сравнению с Common Voice 11 улучшило Word Error Rate и устойчивость распознавания. Модель не возвращает временные метки: попытка запросить их может вызвать ошибку. Для длинных записей в примере предлагается разбивать аудио на фрагменты. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация записей на фарси
  • распознавание персидской речи в аудиофайлах
  • создание текстовых расшифровок персидских аудиозаписей

Ограничения

Модель не поддерживает выдачу временных меток; при их запросе возможна ошибка. Для длинных записей следует разбивать аудио на фрагменты.

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 has been fine-tuned on Common Voice 17, leveraging over 250,000 Persian audio samples—a significant improvement over earlier models trained on Common Voice 11, which contained only 83,000 samples. This larger dataset has resulted in a lower Word Error Rate (WER), enhancing the model’s accuracy and robustness in recognizing Persian speech.

This update marks a major step forward in Persian ASR, and we hope it benefits the Persian-speaking community, making high-quality speech recognition more accessible and reliable. 🚀

FeatureDescription
Model NameWhisper Large v3 - Persian (Common Voice 17)
Base ModelWhisper Large v3
LanguagePersian (Farsi)
DatasetMozilla Common Voice 17 (Persian subset)
Hardware UsedNVIDIA A100 GPU
Batch Size16
Training Steps5000
WER (Word Error Rate)21.43

How to Use

from transformers import pipeline



asr_pipe = pipeline(
    "automatic-speech-recognition",
    model="MohammadGholizadeh/whisper-large-v3-persian-common-voice-17",
    chunk_length_s=30
)

text = asr_pipe("your_file")["text"]
print(text)

Notes

Since the fine tuning process does not include any timestamps, the model can not return any timestamps. Even when you are trying to return it, you would encounter an Error. The solution is to chunk audio files into smaller chunks. Further fine tuning would definitely increase the accuracy of the model. We are currently looking for sponserships for Hardware and ASR dataset collaborations.

@misc{whisper_persian_cv17,
  author = {Mohammad Sadegh Gholizadeh},
  title = {Whisper Large v3 - Persian (Common Voice 17)},
  year = {2025},
  url = {https://huggingface.co/msghol/whisper-large-v3-persian-common-voice-17}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
e65f44b

0 моделей