/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small-bn
Опубликована
1 июл 2026

whisper-small-bn-v2

Распознавание речиАудио → текст8 профессий

Дообученная модель Whisper Small для транскрибации речи на бенгальском языке.

7скачиваний за 30 дней0лайковвеса обновлены2 июл 2026

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

Noobbbbb/whisper-small-bn-v2 — модель распознавания речи на бенгальском языке, созданная дообучением Noobbbbb/whisper-small-bn на наборе Noobbbbb/bengali-ai-asr-80k. Она использует архитектуру Whisper Small с 12 слоями энкодера и 12 слоями декодера и предназначена для преобразования бенгальской речи в текст. В карточке описана обработка аудио с выдачей транскрипции, в том числе временных фрагментов для длинных записей.

Для обучения использовались подмножества обучающей и валидационной выборок, а также упомянут датасет Google FLEURS. Приведённые в карточке метрики получены на разных наборах и напрямую несопоставимы. Остаются ошибки замены слов и диакритики; качество на шумных записях и телефонной речи отдельно не проверялось. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация бенгальской речи в текст
  • расшифровка длинных аудиозаписей с временными метками
  • распознавание речи в аудиоматериалах на бенгальском языке

Ограничения

В транскрипциях возможны ошибки замены слов и диакритики. Качество на шумной и телефонной речи отдельно не проверялось; приведённые метрики получены на разных наборах и напрямую несопоставимы.

Для каких профессий подходит8

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 Small — Bengali ASR (fine-tuned)

This model is a fine-tuned version of Noobbbbb/whisper-small-bn on the Noobbbbb/bengali-ai-asr-80k dataset, for automatic speech recognition (ASR) in Bengali.

Model Details

  • Base model: Noobbbbb/whisper-small-bn (Whisper-small architecture, previously fine-tuned for Bengali)
  • Architecture: Whisper small (12 encoder layers, 12 decoder layers, 768 hidden size)
  • Language: Bengali (bn)
  • Task: transcribe
  • Fine-tuning framework: 🤗 transformers Seq2SeqTrainer

Training Data

  • Dataset: Noobbbbb/bengali-ai-asr-80k
  • Train subset used: first 40,000 examples of the train split
  • Validation subset used: first 4,000 examples of the val split
  • Audio was processed via WhisperProcessor (log-mel spectrogram input features); transcripts were tokenized with the Whisper tokenizer.

Training Procedure

HyperparameterValue
Epochs3
Per-device train batch size64
Per-device eval batch size32
Gradient accumulation steps1
Learning rate1e-5
Warmup steps50
Precisionfp16 (mixed precision)
Gradient checkpointingenabled
Optimizeradamw_torch_fused
Generation max length225
Eval strategyevery 400 steps

Training Results — Stage 1 (initial fine-tune)

  • Final training loss: 0.2969
  • Total steps: 1,875 (3 epochs)
  • Train runtime: ~6,500s (~108 minutes)
  • Throughput: ~18.5 samples/sec

Evaluation used Word Error Rate (WER) and Character Error Rate (CER) via the evaluate library (wer_metric / cer_metric), computed every 400 steps on the 4,000-example validation subset.

StepTraining LossValidation LossWERCER
4000.34080.16060.50210.1601
8000.26540.13400.44380.1360
12000.24720.12040.41930.1273
16000.21790.11590.41010.1261
1875 (final)0.21590.11440.40750.1262

Stage 1 final validation WER: 40.75% · CER: 12.62%

Training Results — Stage 2 (extended fine-tune, +5 epochs)

Training was continued for 5 additional epochs from the Stage 1 checkpoint.

  • Final training loss: 0.1609
  • Total steps: 6,645 (5 epochs this stage)
  • Train runtime: ~17,215s (~4.78 hours)
  • Throughput: ~24.7 samples/sec

Stage 2 out-of-domain evaluation:

Evaluated on google/fleurs (bn_in config)

MetricValue
WER38.90%
CER13.98%

This was run on an out-of-domain evaluation set (i.e. not the in-domain validation subset used for Stage 1 tracking). Compared to Stage 1's in-domain validation numbers, WER improved (40.75% → 38.90%) while CER is slightly higher (12.62% → 13.98%) — consistent with evaluating on different, harder data rather than a straightforward regression.

Sample Predictions (Stage 2)

PredictionReference
একটি দল কৃষি যন্ত্রপাত্ত্তী তৈরী করে এবং অন্য দলটি, আলংকারিক এবং ট্রুটেমিও স্তম্ভ তৈরী করে।একটি দল কৃষি যন্ত্রপাতি তৈরি করে এবং অন্য দলটি আলংকারিক এবং টোটেমীয় স্তম্ভ তৈরি করে।
জবরদস্থক খান বিদ্রোহীকে পরাভূত করেন।জবরদস্ত খান বিদ্রোহীকে পরাভূত করেন।
তিনিই বামলা চলচ্চিত্র অবশেষে তার কণ্ঠস্বর প্রদানের জন্য জাতীয় চলচ্চিত্র পুরস্কার জিতে নেন।তিনি বাংলা চলচ্চিত্র "অবশেষে" তার কণ্ঠস্বর প্রদানের জন্য জাতীয় চলচ্চিত্র পুরস্কার জিতে নেন।

Qualitatively, Stage 2 predictions track the reference more closely than Stage 1 (fewer inserted/garbled syllables), though small substitution and diacritic errors remain.

How to Use

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch, librosa

repo_id = "Noobbbbb/bengali-ai-asr-80k"  # update if you rename the repo

processor = WhisperProcessor.from_pretrained(repo_id)
model = WhisperForConditionalGeneration.from_pretrained(repo_id)

model.generation_config.language = "bengali"
model.generation_config.task = "transcribe"

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

with torch.no_grad():
    predicted_ids = model.generate(inputs["input_features"])

transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)

For longer audio

from transformers import pipeline, WhisperForConditionalGeneration, WhisperProcessor, AutoModelForSpeechSeq2Seq

model_id = "Noobbbbb/whisper-small-bn-v2"

model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id)

if isinstance(model.generation_config.eos_token_id, list):
    model.generation_config.eos_token_id = model.generation_config.eos_token_id[0]

if isinstance(model.config.eos_token_id, list):
    model.config.eos_token_id = model.config.eos_token_id[0]

processor = WhisperProcessor.from_pretrained(model_id)

waveform, _ = librosa.load("/content/yt.mp3")

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    device=0 if torch.cuda.is_available() else -1,
)

result = pipe(
    waveform,
    return_timestamps=True,   # enables long-form transcription
    generate_kwargs={"language": "bengali"}
)

Note: This will return timestamp-wise transcription

Limitations

  • Stage 1 was fine-tuned only on a 40k-example subset of the full dataset; Stage 2's exact train subset size is unconfirmed (see note above).
  • Stage 1 metrics (WER 40.75%, CER 12.62%) are in-domain validation numbers; Stage 2 metrics (WER 38.90%, CER 13.98%) are from an out-of-domain evaluation set, so the two aren't directly comparable apples-to-apples.
  • Performance on noisy/telephony-style audio (e.g. call center recordings) has not been separately validated for this checkpoint.

Citation / Acknowledgements

  • Base model: Noobbbbb/whisper-small-bn
  • Dataset: Noobbbbb/bengali-ai-asr-80k
  • Built on OpenAI's Whisper architecture via 🤗 Transformers.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
a074e21

0 моделей