/ Модель

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
4 авг 2026

whisper-large-v3-turbo-kalenjin

Распознавание речиАудио → текст3 профессии

Дообученная версия Whisper large-v3-turbo для распознавания речи на календжин, прежде всего диалектов кипсигис и нанди.

17скачиваний за 30 дней1лайквеса обновлены4 авг 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

Rekody/whisper-large-v3-turbo-kalenjin — модель автоматического распознавания речи на языке календжин, созданная дообучением openai/whisper-large-v3-turbo с помощью LoRA и последующим объединением адаптера с базовыми весами. Модель содержит 905,2 млн параметров и доступна в формате safetensors для Transformers.

Она преобразует аудио в текст на календжин, с данными обучения для диалектов кипсигис и нанди. Для распознавания при запуске указывают language="sw": в токенизаторе Whisper нет языкового токена календжин, поэтому используется токен суахили, а результат выдаётся на календжин. В README приведена оценка на отложенном наборе из 198 аудиофрагментов; модель превзошла предыдущую лучшую настройку Whisper для календжин в рамках указанной оценки.

Модель лучше подходит для начитанной речи, похожей на обучающие данные; спонтанная речь и выраженные акценты распознаются хуже. Диалекты, отличные от кипсигис и нанди, в обучающих данных не представлены, а результаты оценки ещё ожидают проверки носителями языка. Лицензия модели — MIT.

Сценарии применения

  • Транскрибирование начитанной речи на календжин
  • Распознавание аудио на диалектах кипсигис и нанди
  • Создание текстовых расшифровок для аудиозаписей на календжин

Ограничения

Модель лучше распознаёт начитанную речь, похожую на обучающие данные; спонтанная речь и выраженные акценты остаются сложнее. Обучение охватывает диалекты кипсигис и нанди, а оценки ещё ожидают проверки носителями языка.

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 large-v3-turbo Kalenjin

Kalenjin automatic speech recognition. This is openai/whisper-large-v3-turbo fine-tuned on Kalenjin speech (Kipsigis and Nandi dialects) with LoRA, then merged into the base weights. It loads like any regular Whisper checkpoint: no PEFT required.

This is v1 of this repository.

Evaluation

Scored on a frozen 198-clip held-out set with the canonical decoding recipe: 30 s chunks, stride (5, 5), beam size 5, temperature fallback.

ModelCERCER (orthography-normalized)
This model (v1)0.19590.1629
Previous best Kalenjin Whisper fine-tune0.21700.1848

Both rows use the same evaluation harness. The improvement is significant under a paired bootstrap test (p = 0.005).

Training data

Trained on the scripted split of AfriVoices-KE (the Anv-ke/Kalenjin dataset, CC-BY-4.0; Wanzare et al., 2026), with online speed, noise, and gain augmentation plus SpecAugment. Fine-tuning used LoRA (rank 16, learning rate 2e-4); the adapter was merged into the base model for this release.

Usage

import torch
from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="Rekody/whisper-large-v3-turbo-kalenjin",
    torch_dtype=torch.float16,
    device="cuda",  # or "mps" on Apple silicon, or "cpu"
)

result = asr(
    "audio.wav",
    chunk_length_s=30,
    stride_length_s=(5, 5),
    generate_kwargs={"language": "sw", "task": "transcribe", "num_beams": 5},
)
print(result["text"])

Why language="sw"?

Whisper's tokenizer has no Kalenjin language token. This model was trained with the Swahili token (sw) standing in for Kalenjin, so pass language="sw" at inference. The output is Kalenjin text.

Limitations

  • Strongest on scripted, read-style speech similar to the training data. Spontaneous conversation and deep-accent social audio remain harder.
  • Evaluation scores are pending native-speaker validation, as described in the paper.
  • Kipsigis and Nandi are the covered dialects; other Kalenjin dialects are not represented in the training data.

License

MIT, matching the base model. The training dataset is separately licensed (CC-BY-4.0) under its own access and consent terms.

Citation

If you use this model, please cite:

Kipkemboi, T. (2026). Open Kalenjin Automatic Speech Recognition: Adapting Parakeet-TDT to a Low-Resource Nilotic Language. Zenodo. https://doi.org/10.5281/zenodo.21764656

For the dataset, cite Wanzare et al. (2026), AfriVoices-KE.

Code

Training and evaluation code: https://github.com/rekody/kalenjin-asr

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
416cfee

0 моделей