/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Архитектура
whisper · dense
Базовая модель
whisper-large-v2
Опубликована
21 мая 2025

Whisper_Largev2-Swahili-Decodis_Comb_FT

Распознавание речиАудио → текст

Дообученная Whisper Large V2 для транскрибации суахилийской речи, в том числе записанной в шумных условиях.

165скачиваний за 30 дней3лайкавеса обновлены30 апр 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

Модель разработана для распознавания речи на суахили и транскрибации аудио в текст. Это дообученная версия Whisper Large V2 от OpenAI с архитектурой Whisper и 905,2 млн параметров; в обучении использовано около 400 часов открытых многоязычных и доменных данных. Модель рассчитана на чистую речь, произнесённую вслух, и на реальные записи, включая шумные аудио.

Модель предназначена для транскрибации речи на суахили в общих системах распознавания и речевых интерфейсах. В README приведены результаты WER 12,41 на FLEURS и 39,42 на тестовом наборе DECODIS; авторы отмечают улучшение относительно базовой Whisper Large V2 на этих наборах. Для обработки экстремальных акустических условий может потребоваться дополнительное доменное обучение. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация речи на суахили
  • распознавание чистой речи, прочитанной вслух
  • транскрибация суахилийской речи в шумных записях
  • создание речевых интерфейсов на суахили

Ограничения

На экстремально разнообразных акустических записях может потребоваться дополнительное доменное обучение; авторы отмечают небольшой компромисс в точности на бенчмарке. В приведённых тестах WER составил 12,41 на FLEURS и 39,42 на наборе DECODIS.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🎤 General-Purpose Swahili ASR Model (Open Datasets + Domain Data)

This automatic speech recognition (ASR) model is trained using open multilingual datasets and a multi-domain in-house dataset to provide high-accuracy transcription for clean, read-aloud Swahili speech.

It achieves strong generalization, maintaining benchmark accuracy while improving performance on real-world test data. The model can do well for both clean and noisy audios.

This model is part of a full ASR ablation study that analyzes and understands the robustness of data and in dealing with different modes and variations of data collections. 👉 View all models on GitHub

We are particularly interested in validating the conclusions we’ve observed through our ablation studies:

While benchmark datasets like FLEURS are useful for comparison, they do not fully capture the variability and challenges of real-world speech — especially for underrepresented languages like Swahili. We are inviting the community to try out these models and help assess:

  1. How well the models perform on natural, conversational, or noisy audio
  2. Open-source datasets (like Common Voice & FLEURS) perform well on clean, benchmark speech.
  3. Whether the improvements we've seen in combining diverse datasets generalize to your use case
  4. Gaps between benchmark results and real-world usability
  5. A combination of both yields balanced results but depends on data quality and label accuracy.

Model

Whisper is a general-purpose speech recognition model. It is trained on a large dataset of diverse audio and is also a multitasking model that can perform multilingual speech recognition, speech translation, and language identification.


🚀 How to Use

from transformers import WhisperForConditionalGeneration, WhisperProcessor
from transformers import pipeline
from transformers.utils import is_flash_attn_2_available
import torch

processor = WhisperProcessor.from_pretrained("openai/whisper-large-v2")
model = WhisperForConditionalGeneration.from_pretrained("RafatK/Swahili-Whisper_Largev2-Decodis_Comb_FT", torch_dtype=torch.float16).to("cuda")
# model.generation_config.input_ids = model.generation_config.forced_decoder_ids
model.generation_config.forced_decoder_ids = None
forced_decoder_ids = processor.get_decoder_prompt_ids(language="swahili", task="transcribe")

pipe = pipeline(
  "automatic-speech-recognition",
  model=model,
  tokenizer=processor.tokenizer, # Explicitly pass the tokenizer
  feature_extractor=processor.feature_extractor, # Explicitly pass the feature extractor
  chunk_length_s=15,
  device=0,
  model_kwargs={"attn_implementation": "flash_attention_2"} if is_flash_attn_2_available() else {"attn_implementation": "sdpa"},
  generate_kwargs = {
                       'num_beams':5,
                       'max_new_tokens':440,
                       'early_stopping':True,
                        'repetition_penalty': 1.8,
                       'language': 'swahili',
                       'task': 'transcribe'
                       }
)
text_output = pipe("audio.wav")['text']


📊 Total Duration: ~400 hours


📁 Languages: Swahili (sw)


🏋️‍♂️ Training Strategy

  • Architecture: whisper-large-v2
  • Framework: Whisper and Huggingface Transformers
  • Sampling rate: 16 kHz
  • Preprocessing: Volume normalization, High-Grade noise addition, Prosodic Augmentation, silence trimming
  • Learning Rate: 1e-5
  • Optimizer: Adamw_pytorch
  • Steps: 3000
  • Pretrained on open data
  • Fine-tuned on domain data

📈 Evaluation Metric (WER)

DatasetThis ModelWhisper Large V2
FLEURS (benchmark)12.4139.40
Decodis Test Set (Collected by DECODIS)39.4299.98

🎯 Intended Use

  • General-purpose transcription systems
  • Balanced performance on clean and noisy data
  • Speech interfaces in multilingual and informal settings

⚠️ Limitations

  • Slight trade-off in benchmark precision
  • May need more domain data for extreme acoustic variation

📝 Please try the models and share your feedback, issues, or results via:

GitHub Issues: Submit an issue

Hugging Face Discussions: Join the conversation

Your feedback will help us refine our dataset and improve ASR for underrepresented languages like Swahili and Yoruba.


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
cc5e905

0 моделей