/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Опубликована
4 дек 2025

whisper-small-uz-v1

Распознавание речиАудио → текст8 профессий

Дообученная мультиязычная модель Whisper Small для транскрибирования аудио на узбекском, английском и русском языках.

744скачиваний за 30 дней12лайковвеса обновлены10 дек 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

OvozifyLabs разработала Whisper Small, дообученную модель распознавания речи на основе openai/whisper-small. Она преобразует аудио в текст и предназначена для транскрибирования речи на узбекском, английском и русском языках, в том числе голосовых сообщений и аудио в реальном времени или офлайн. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса доступны в формате safetensors.

Авторы стремились улучшить распознавание узбекской речи и выровнять качество между тремя языками. В README приведено сравнение на тестовом наборе примерно из двух часов голосовых сообщений из публичных групп Telegram: WER модели составляет 34,5%. Этот результат относится к описанному тесту и не гарантирует такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • Транскрибирование узбекских голосовых сообщений
  • Расшифровка русской и английской речи
  • Преобразование аудио в текст офлайн
  • Распознавание речи в реальном времени

Ограничения

Указанный WER 34,5% получен на тестовом наборе примерно из двух часов голосовых сообщений и может не отражать качество на других типах аудио. Заявление о конкурентоспособности основано на этом ограниченном сравнении.

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

Multilingual Whisper (Uz/En/Ru) — Fine-tuned Speech-to-Text Model

A fine-tuned Whisper Small model optimized to transcribe Uzbek, English, and Russian equally well.
This model is intended for real-world speech transcription with a balanced multilingual dataset and performs competitively against strong open-source and commercial STT solutions.


Model Details

Model Description

This model extends OpenAI Whisper Small by fine-tuning it on a multilingual speech mixture, aimed to deliver robust ASR performance for Uzbek, English, and Russian speakers.
The goal was to reduce the performance gap between languages, especially improving Uzbek speech recognition, where public ASR resources are scarce.

  • Model type: Automatic Speech Recognition (ASR)
  • Language(s): Uzbek 🇺🇿, English 🇬🇧, Russian 🇷🇺
  • License: Apache-2.0
  • Finetuned from: openai/whisper-small
  • Intended usage: Real-time & offline speech-to-text

Trained datasets:

  • DavronSherbaev/uzbekvoice-filtered
  • telegram-voice-messages (private collection)
  • navaistt-open-datasets
  • sovaai/russian-audiobooks
  • librispeech

Evaluation

Word Error Rate (WER) Comparison

All WER results were obtained using the same test set. The test set consists of real-world voice messages collected from public Telegram groups. It contains approximately 2 hours of audio data in total. The dataset will be made publicly available soon.

ModelWER ↓
Whisper-small-uz-v134.5%
Gemini (Commercial)36.21%
NavaiSTT v2 (Open-Source medium model)35.14%
Aisha STT (Commercial)41.71%

The model outperforms both commercial and open-source Uzbek STT models, showing strong generalization for informal real-world speech.


Usage Example

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch
import torchaudio

model_id = "OvozifyLabs/whisper-small-uz-v1"

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

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

with torch.no_grad():
    predicted_ids = model.generate(inputs.input_features)
text = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]

print(text)

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
863efed

0 моделей