/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY-NC-SA 4.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
2 июл 2026

whisper-medium-afrispeech

Распознавание речиАудио → текст3 профессии

Whisper-medium, дообученная на AfriSpeech-200 для расшифровки общей и клинической речи на английском с африканскими акцентами.

13скачиваний за 30 дней0лайковвеса обновлены3 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.

  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

Professor/whisper-medium-afrispeech — модель распознавания речи, разработанная на основе openai/whisper-medium и дообученная на AfriSpeech-200 для английской речи с африканскими акцентами. Она предназначена для расшифровки общей и клинической речи; в карточке указано снижение WER с 43,22% до 20,13% на тестовом наборе AfriSpeech-200 после дообучения.

Модель использует архитектуру Whisper и принимает аудио длительностью до 30 секунд. На клинической речи WER составляет 27,47%, а результаты заметно различаются между акцентами: для приведённых в карточке примеров — от 7,4% до 44,6%. Ошибки в медицинских терминах требуют проверки, а клинические результаты не подходят для использования без контроля специалиста.

Модель выпущена под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • расшифровка английской речи с африканскими акцентами
  • транскрибирование клинических разговоров на английском
  • транскрибирование общей речи на английском
  • сравнение качества распознавания речи между акцентами

Ограничения

WER на клинической речи составляет около 27%, поэтому медицинские термины требуют проверки и модель не предназначена для неконтролируемого клинического использования. Качество заметно зависит от акцента, а входные аудиофрагменты ограничены 30 секундами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-medium-afrispeech

Fine-tune of openai/whisper-medium on AfriSpeech-200 for African-accented English speech recognition, spanning both general and clinical/medical domains.

  • Base model: openai/whisper-medium (769M)
  • Training data: Professor/afrispeech-200-16khz — a clean 16 kHz mono build of AfriSpeech-200 (Intron Health): ~200 h, 120 accents, 13 countries, clinical + general.
  • Language: English (African accents)

Results (test split, 6,178 clips)

Fine-tuned vs. zero-shot baseline

Zero-shot = openai/whisper-medium evaluated on the same test set with no fine-tuning.

MetricZero-shot (baseline)Fine-tuned (this model)Improvement
Overall WER43.22%20.13%−23.1 pts (−53%)
Clinical WER50.55%27.47%−23.1 pts (−46%)
General WER36.09%12.98%−23.1 pts (−64%)

Fine-tuning more than halves WER across the board.

WER by domain

DomainWERn
General12.98%2,670
Clinical27.47%3,508
Overall20.13%6,178

Clinical speech remains ~2× harder than general — medical terminology (drug names, conditions, dosages) drives most of the error, so domain matters when reporting WER.

WER by accent (accents with n ≥ 25)

Performance varies widely across accents (~7% to ~45%):

Best accentsWERHardest accentsWER
okirika7.4%khana44.6%
afrikaans8.0%nyandang44.1%
brass8.6%
ikwere8.9%
twi10.3%

The hardest accents are mostly smaller, under-represented ones — an important coverage/equity consideration. Full per-accent numbers: eval_wer_breakdown.csv.

Usage

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor

model = WhisperForConditionalGeneration.from_pretrained("Professor/whisper-medium-afrispeech")
processor = WhisperProcessor.from_pretrained("Professor/whisper-medium-afrispeech")

# audio: a 16 kHz mono waveform (numpy array)
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
ids = model.generate(inputs.input_features, language="english", task="transcribe")
print(processor.batch_decode(ids, skip_special_tokens=True)[0])

Training

  • Objective: full fine-tune (all parameters), 3 epochs
  • Precision / hardware: bf16 + gradient checkpointing on a single NVIDIA A40 (48 GB)
  • Batch: 32 effective (16 × 2 grad-accum) · LR: 1e-5 (500 warmup, linear decay) · best model by eval WER
  • Data handling: on-the-fly log-Mel feature extraction; clips > 30 s filtered out; labels truncated to Whisper's 448-token decoder cap.

Limitations & biases

  • Clinical error rate is still elevated (~27%) — verify medical terms; not for unsupervised clinical use.
  • Large accent disparity (~7–45% WER) — weaker on under-represented accents.
  • ≤ 30 s audio; English only; inherits Whisper's general biases.

Dataset, license & attribution

Trained on AfriSpeech-200 by Intron Health, released under CC-BY-NC-SA-4.0 (non-commercial, share-alike, attribution). This derivative carries the same license.

@article{olatunji2023afrispeech,
  title={AfriSpeech-200: Pan-African Accented Speech Dataset for Clinical and General Domain ASR},
  author={Olatunji, Tobi and others},
  journal={Transactions of the Association for Computational Linguistics},
  year={2023}
}

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
53207d4

0 моделей