/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
30 июн 2026

whisper-small-hi-kn-en

Синтез речиТекст → аудио8 профессий

Дообученная версия Whisper Small для транскрибации речи на хинди, каннада и английском языках.

7скачиваний за 30 дней0лайковвеса обновлены28 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

Whisper Small Fine-Tuned for Indian Speech — дообученная RakshithFury модель на базе openai/whisper-small для автоматического распознавания речи. Она предназначена для транскрибации индийской речи, в том числе на хинди и каннада, а также английской речи; в обучении использованы наборы Shrutilipi, IndicVoices-R и FLEURS English. Модель обучалась на последовательностной задаче транскрибации Whisper и рассчитана на работу с разборчивой речью, включая записи с некоторым фоновым шумом и быстрой речью.

Обучающая выборка включала около 9 000 аудиофрагментов длительностью от 5 до 15 секунд. Качество может зависеть от языка, акцента, шума, скорости речи, предметной лексики и смешения языков; возможны ошибки, пропуски и галлюцинации, особенно в неразборчивом аудио. Карточка не приводит результаты оценки WER или CER. Лицензия в метаданных не указана.

Сценарии применения

  • транскрибация речи на хинди
  • распознавание разговорной речи на каннада
  • перевод английской речи в текстовую расшифровку
  • транскрибация быстрой речи
  • распознавание речи в аудиозаписях с фоновым шумом
  • оценка качества ASR для индийских языков

Ограничения

Обучение основано на небольшой выборке; качество зависит от языка, акцента, шума, скорости речи, предметной лексики и смешения языков. Возможны ошибки, пропуски и галлюцинации, а результаты оценки WER и CER в карточке не приведены.

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

Whisper Small Fine-Tuned for Indian Speech

This model is based on Whisper Small and was fine-tuned on a mixture of Indian speech datasets.

The goal was to improve transcription quality across Indian languages while maintaining reasonable performance on English speech, noisy audio, and faster speakers.

Training Data

The model was trained using approximately 9,000 audio samples, with 3,000 samples selected from each dataset:

  • Shrutilipi
  • IndicVoices-R
  • FLEURS English

FLEURS was included to help retain English transcription performance during multilingual fine-tuning.

Data Selection

Audio samples were filtered to keep recordings between:

  • 5 seconds
  • 15 seconds

For IndicVoices-R, additional sampling was used to create a more useful and varied training set.

Noisy Speech

To avoid training on extremely low-quality recordings, samples were selected from the top 20% by signal-to-noise ratio, among the available noisy samples.

This keeps some background-noise variation while avoiding audio that is too difficult or unreliable.

Fast Speech

Samples were also selected from the top 60% by speaking rate.

This was done to expose the model to faster speech and reduce the chance of performance degrading when speakers talk quickly.

Training Objective

The model was fine-tuned for automatic speech recognition using the standard Whisper sequence-to-sequence transcription objective.

The main goals were:

  • Better transcription of Indian-language speech
  • Improved handling of noisy recordings
  • Better performance on faster speakers
  • Retaining English transcription ability
  • Avoiding very short or excessively long training samples

Intended Use

This model can be used for:

  • Automatic speech recognition
  • Transcription of Indian-language audio
  • Transcription of English audio
  • Testing ASR performance on noisy or fast speech
  • Further fine-tuning on domain-specific speech data

Limitations

The model was trained on a relatively small subset of each dataset.

Performance may vary depending on:

  • Language
  • Accent
  • Background noise
  • Recording quality
  • Speaker speed
  • Domain-specific vocabulary
  • Code-mixed speech

The model may also produce incorrect words, omit parts of speech, or hallucinate text in very noisy or unclear audio.

It should not be used in high-stakes applications without additional evaluation.

Evaluation

The model should be evaluated using metrics such as:

  • Word Error Rate
  • Character Error Rate

For a fair comparison, references and predictions should use the same text-normalization process.

Evaluation results can be added here:

DatasetLanguageWERCER
IndicVoicesHindiTBDTBD
IndicVoicesKannadaTBDTBD
FLEURSEnglishTBDTBD

Base Model

This model was fine-tuned from:

openai/whisper-small

Usage

import torch
from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="YOUR_USERNAME/YOUR_MODEL_NAME",
    device=0 if torch.cuda.is_available() else -1,
    dtype=torch.float16 if torch.cuda.is_available() else torch.float32,
)

result = pipe(
    "audio.wav",
    generate_kwargs={
        "task": "transcribe",
    },
)

print(result["text"])

For multilingual audio, specifying the language may improve results:

result = pipe(
    "audio.wav",
    generate_kwargs={
        "language": "hindi",
        "task": "transcribe",
    },
)

Acknowledgements

This model was trained using data from:

  • Shrutilipi
  • IndicVoices-R
  • FLEURS
  • OpenAI Whisper

Please refer to the original datasets and base model repositories for their respective licenses and usage conditions.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Для архитектуры whisper нет загрузчика под задачу text-to-speech.

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
ded5332

0 моделей