/ Модель

Характеристики

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

whisper-small-afrispeech

Распознавание речиАудио → текст3 профессии

Whisper, дообученный для транскрибирования английской речи с африканскими акцентами, включая общие и клинические записи.

137скачиваний за 30 дней0лайковвеса обновлены2 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-small-afrispeech — модель автоматического распознавания речи, разработанная путём дообучения openai/whisper-small на наборе AfriSpeech-200. Она предназначена для транскрибирования англоязычной речи с африканскими акцентами в общих и клинических сценариях. Архитектура — Whisper с 244 млн параметров; модель принимает аудио и выдаёт текст. Обучающая выборка охватывает около 200 часов записей, 120 акцентов и 13 стран.

На тестовой выборке модель показала WER 22,94% в целом, 16,23% для общей речи и 29,84% для клинической; результаты заметно различаются по акцентам. Модель лучше подходит для подготовки черновых транскрипций, которые затем проверяет человек. Медицинские термины требуют особой проверки, а аудио длиннее 30 секунд обрезается. Лицензия — CC BY-NC-SA 4.0, допускающая использование на указанных условиях с ограничением на коммерческое применение.

Сценарии применения

  • транскрибирование английской речи с африканскими акцентами
  • подготовка черновиков расшифровок клинических аудиозаписей
  • распознавание речи в медицинских записях и консультациях
  • транскрибирование общей речи в аудио длительностью до 30 секунд

Ограничения

WER для клинической речи составляет около 30%, а качество заметно различается между акцентами; особенно слабы результаты на недопредставленных акцентах. Проверяйте медицинские термины человеком; модель рассчитана на аудио до 30 секунд, более длинные записи обрезаются.

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-small-afrispeech

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

  • Base model: openai/whisper-small (244M)
  • 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-small evaluated on the same test set with no fine-tuning.

MetricZero-shot (baseline)Fine-tuned (this model)Improvement
Overall WER49.15%22.94%−26.2 pts (−53%)
Clinical WER56.28%29.84%−26.4 pts (−47%)
General WER42.21%16.23%−26.0 pts (−62%)

Fine-tuning roughly halves WER across the board — a 26-point absolute reduction overall — and cuts clinical error from 56% to 30%.

WER by domain

DomainWERn
General16.23%2,670
Clinical29.84%3,508
Overall22.94%6,178

Clinical speech is ~1.8× harder than general — medical terminology (drug names, conditions, dosages) drives most of the error, so domain matters when reporting WER.

WER by accent (70 accents with n ≥ 25)

Performance varies widely across accents (~8% to ~62%):

Best accentsWERHardest accentsWER
okirika8.2%agatu61.6%
brass9.4%mwaghavul58.1%
afrikaans11.7%efik57.8%
twi11.9%bini51.0%
ikwere12.1%idah47.7%

The hardest accents are mostly smaller, under-represented Nigerian accents — 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-small-afrispeech")
processor = WhisperProcessor.from_pretrained("Professor/whisper-small-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 on a single NVIDIA A40 (48 GB)
  • Batch: 32 · LR: 1e-5 (500 warmup steps, linear decay) · best model by eval WER
  • Data handling: on-the-fly log-Mel feature extraction; clips > 30 s filtered out (Whisper's fixed 30 s window); labels truncated to Whisper's 448-token decoder cap.
  • Runtime: ~83 min.

Limitations & biases

  • Clinical error rate is high (~30%) — verify medical terms; not for unsupervised clinical use.
  • Large accent disparity (~8–62% WER) — much weaker on under-represented accents.
  • ≤ 30 s audio — longer inputs are truncated to 30 s by Whisper's feature extractor.
  • English only; inherits Whisper's general biases.

Dataset, license & attribution

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

@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
b9a585d

0 моделей