Характеристики

Контекст: 1 024 токена
Лицензия: Apache 2.0
Архитектура: whisper · dense
Базовая модель: whisper-tiny
Библиотека: transformers
Опубликована: 18 июл 2026

Ссылки

Hugging Face

whisper-tiny-oilgas-russian

N07P

Распознавание речиАудио → текст3 профессии

Компактная модель Whisper Tiny для распознавания русской речи с нефтегазовой терминологией.

14скачиваний за 30 дней2лайкавеса обновлены19 июл 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Это компактная модель распознавания речи Whisper Tiny, дообученная Провоторовым Н. Р. на русском языке с акцентом на нефтегазовую терминологию. Она преобразует аудиозаписи в текст и подходит для транскрибации речи в нефтегазовой тематике.

Модель основана на openai/whisper-tiny и обучена на 480 аудиопримерах с аугментацией шума, скорости, высоты тона и реверберации. В README указаны WER 45,08%, точность распознавания отраслевых терминов 57,15% и обычных слов 72,64%; для доменных терминов отмечено улучшение относительно базовой модели. Распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

транскрибация аудиозаписей нефтегазовой тематики
распознавание отраслевых терминов в русской речи
подготовка текстовых расшифровок технических совещаний
преобразование записей полевых работ в текст

Ограничения

На тестовых результатах указан WER 45,08%, поэтому распознавание может содержать существенные ошибки. Обучение проводилось на 480 аудиопримерах, а специализация на нефтегазовой тематике не гарантирует качество для других предметных областей.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.10Корпоративные функцииПроекты, процессы и операционное управлениеAI помогает планировать работу, обнаруживать отклонения и улучшать операционные процессы.25 задач2 527моделей IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper Tiny Fine-tuned для нефтегазовой отрасли

Описание

Дообученная модель Whisper Tiny для распознавания речи на русском языке с акцентом на нефтегазовую терминологию.

Обучение

Базовая модель: openai/whisper-tiny
Датасет: 480 аудиопримеров нефтегазовой тематики
Эпохи: 16.6 (лучший чекпоинт на шаге 250)
Аугментация: шум, изменение скорости, pitch shift, reverberation

Результаты

Overall WER: 45.08% (улучшение на 4.64% относительно baseline)
Domain Terms Accuracy: 57.15% (улучшение на 18.58%)
Normal Words Accuracy: 72.64% (улучшение на 3.58%)

Использование

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import librosa

processor = WhisperProcessor.from_pretrained("ТВОЙ_USERNAME/whisper-tiny-oilgas-russian")
model = WhisperForConditionalGeneration.from_pretrained("ТВОЙ_USERNAME/whisper-tiny-oilgas-russian")

audio, sr = librosa.load("audio.wav", sr=16000)
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")

generated_ids = model.generate(inputs.input_features, language="russian", task="transcribe")
transcription = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

Авторы

Провоторов Н. Р. (provotorovnikita@gmail.com, @prog_by_onion, https://vk.com/progbyonion)

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: f2b7896