/ Модель

Характеристики

Лицензия
MIT
Опубликована
3 июл 2026

pre-trained_whisper_wavLM

Распознавание речиАудио → текст

Экспериментальный чекпойнт для сравнения речевых энкодеров и распознавания кхмерской речи с CTC-головой.

0скачиваний за 30 дней1лайквеса обновлены3 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

Это экспериментальный чекпойнт для распознавания речи на кхмерском языке, опубликованный Panhapich Uk в рамках проекта по сравнению речевых энкодеров. В репозитории представлены предварительно обученные Whisper Base, WavLM Base и Wav2Vec2 Base с лёгкой классификационной CTC-головой; энкодеры замораживались, а обучалась только голова. По валидационной CTC-потере Whisper Base показал лучший результат среди трёх проверенных вариантов и был выбран основой для дальнейшего обучения. Для Whisper Base в карточке указаны размер скрытого представления 512 и базовая модель openai/whisper-base.

Модель предназначена для экспериментов с распознаванием кхмерской речи и сравнительной оценки переносимости предварительно обученных речевых представлений на малоресурсный язык. В описании проекта прямо указано, что это не готовая к производственному использованию ASR-система; дальнейшая полная настройка энкодера, языковая модель и оценка CER/WER обозначены как будущая работа. Формат файлов — PyTorch, лицензия — MIT.

Сценарии применения

  • распознавание кхмерской речи в аудиозаписях
  • сравнение Whisper, WavLM и Wav2Vec2 для кхмерского ASR
  • исследование переноса речевых представлений на малоресурсный язык
  • эксперименты с CTC-распознаванием речи на кхмерских датасетах

Ограничения

README указывает, что репозиторий не предназначен для производственного применения: энкодеры оценивались в замороженном состоянии, а полноценная настройка, языковая модель и оценка CER/WER оставлены для будущей работы.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Khmer ASR Encoder Benchmark and Pretrained Checkpoints

This repository contains pretrained checkpoints and benchmarking results used to identify the most suitable speech encoder backbone for a Khmer Automatic Speech Recognition (ASR) system.

The goal of this project was to compare the transferability of different self-supervised speech representations for Khmer ASR before investing in large-scale fine-tuning.

Overview

Three widely used pretrained speech encoders were evaluated:

  • Whisper Base (openai/whisper-base)
  • WavLM Base
  • Wav2Vec2 Base

To ensure a fair comparison, each encoder was:

  1. Initialized from publicly available pretrained weights.
  2. Frozen during training.
  3. Connected to a lightweight CTC classification head.
  4. Trained and evaluated using the same Khmer speech datasets.

The resulting validation CTC loss was used as the primary evaluation metric.


Training Methodology

Phase 1: Frozen Encoder Evaluation

For each backbone:

  • The encoder parameters were frozen.
  • A randomly initialized CTC head was attached.
  • Only the CTC head was trained.
  • Validation CTC loss was used to assess encoder quality.

This approach evaluates how useful the pretrained speech representations are for Khmer ASR without any encoder fine-tuning.


Results

EncoderValidation CTC Loss
Whisper Base0.5663
WavLM Base0.6031
Wav2Vec2 Base0.7836

Ranking

🥇 Whisper Base — 0.5663

🥈 WavLM Base — 0.6031

🥉 Wav2Vec2 Base — 0.7836

Based on these experiments, Whisper Base produced the strongest transferable speech representations for Khmer ASR and was selected as the backbone for subsequent training stages.


Selected Backbone

{
  "best_backbone_key": "whisper-base",
  "best_backbone_id": "openai/whisper-base",
  "hidden_size": 512,
  "checkpoint_path": "./whisper-base_best.pt"
}

Best Checkpoint

whisper-base_best.pt

Training Datasets

The benchmark used a combination of multiple Khmer speech datasets.

1. Khmer GRKPP Speech

Dataset:

seanghay/khmer_grkpp_speech

2. KM Speech Corpus

Dataset:

seanghay/km-speech-corpus

3. FLEURS + OpenSLR42 + MPWT

Dataset:

KrorngAI/fleurs_openslr42_mpwt

For balanced experimentation, up to 3,000 samples per dataset were used during backbone evaluation.


Vocabulary

The model uses a character-level Khmer vocabulary containing:

  • Khmer consonants
  • Khmer vowels
  • Khmer diacritics
  • Khmer numerals
  • Khmer punctuation marks
  • Special CTC tokens

Special Tokens

[BLANK]
[PAD]
[MASK]
[UNK]

Vocabulary Size

108 tokens

Repository Contents

.
├── whisper-base_best.pt
├── README.md
└── benchmark metadata

Experimental Goal

This repository is not intended to be a production-ready ASR system.

Instead, it provides:

  • A Khmer ASR encoder benchmark
  • Pretrained CTC evaluation checkpoints
  • A comparison between Whisper, WavLM, and Wav2Vec2 representations
  • A foundation for future Khmer ASR research and fine-tuning

Key Findings

  • Whisper Base achieved the lowest validation CTC loss.
  • WavLM Base performed competitively and ranked second.
  • Wav2Vec2 Base showed weaker transferability on the evaluated Khmer datasets.
  • Frozen encoder evaluation provides an efficient way to compare speech backbones before expensive full-model training.

Future Work

Planned improvements include:

  • Full encoder fine-tuning
  • Larger Khmer speech datasets
  • Language model integration
  • Beam search decoding
  • Character Error Rate (CER) evaluation
  • Word Error Rate (WER) evaluation
  • Deployment-ready Khmer ASR models

Citation

If you use this repository in your research, please cite:

@misc{uk2026khmerasrbenchmark,
  title={Khmer ASR Encoder Benchmark and Pretrained Checkpoints},
  author={Uk, Panhapich},
  year={2026},
  publisher={Hugging Face},
  url={https://huggingface.co/Panhapich/pre-trained_whisper_wavLM}
}

Author

Panhapich Uk

Independent research project focused on:

  • Khmer Automatic Speech Recognition (ASR)
  • Speech representation learning
  • Low-resource language technologies
  • Self-supervised speech models

License

This project is released under the MIT License.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
7cebfb9

0 моделей