/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
13 мар 2025

whisper-small-pt-br

Распознавание речиАудио → текст

Дообученная на бразильском португальском Whisper Small для преобразования речи в текст.

105скачиваний за 30 дней0лайковвеса обновлены1 апр 2025

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

Whisper Small Pt-Br - RFard — модель автоматического распознавания речи, разработанная Rodrigo Fardin на основе OpenAI Whisper Small и дообученная на бразильском португальском языке с использованием Mozilla Common Voice 17.0. Она преобразует аудио в текст и подходит для транскрибации речи, создания субтитров и голосовых интерфейсов.

Модель использует архитектуру Transformer encoder-decoder Whisper и содержит 153,1 млн параметров. На тестовом наборе указана WER 17,38%. Модель ориентирована на бразильский вариант португальского и может распознавать разные акценты и региональные варианты речи.

Качество может снижаться при шуме и одновременной речи нескольких собеседников. Обучение было ограничено аппаратными ресурсами, поэтому дополнительное обучение могло бы повысить точность и устойчивость. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация речи на бразильском португальском
  • создание субтитров для аудио и видео на португальском
  • распознавание речи для голосового помощника
  • преобразование записей разговоров в текст

Ограничения

Распознавание может быть менее точным на шумных записях и при перекрывающейся речи. Обучение было ограничено аппаратными ресурсами; в README приведена WER 17,38% на тестовом наборе.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper Small Pt-Br - RFard

This model is a fine-tuned version of openai/whisper-small on the Common Voice 17.0 dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2593
  • Wer: 17.3791

Model description

Whisper Small Pt-Br - RFard is an automatic speech recognition (ASR) model based on Whisper Small by OpenAI. It has been fine-tuned on the Common Voice 17.0 dataset from Mozilla for the Portuguese language (pt-BR), making it more efficient at transcribing speech to text in this language.

The model uses a transformer-based encoder-decoder architecture optimized for ASR tasks, leveraging Whisper's structure to improve transcription accuracy across various audio sources, including different accents and regional variations of Brazilian Portuguese.

With a Word Error Rate (WER) of 17.38%, the model performs well in transcription tasks but may struggle with noisy audio or overlapping speech.

Intended uses & limitations

This model is designed for automatic speech recognition (ASR) in Brazilian Portuguese, making it suitable for tasks such as speech-to-text transcription, voice assistants, automatic subtitles, and other applications that require converting spoken language into written text.

Limitations

The main limitation of this model is that it was not trained for more epochs due to hardware constraints. Extending the training process could further improve its accuracy and robustness, especially in challenging audio conditions such as noisy environments or overlapping speech.

If you are interested in collaborating on further development and improving the model’s performance, feel free to reach out—I am open to cooperation!

Training and evaluation data

For the experiments, the Common Voice 17.0 dataset was used, which was loaded and segmented into two subsets: the training set, composed of 31,432 samples, and the test set, with 9,467 samples.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 32
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1000
  • num_epochs: 2
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.18311.017310000.259317.3791

Framework versions

  • Transformers 4.50.0
  • Pytorch 2.6.0+cu124
  • Datasets 3.4.1
  • Tokenizers 0.21.1

Contact

For any inquiries, collaborations, or contributions to the model’s development, feel free to reach out:

📧 Email: rodrigo.correa.fardin@gmail.com

I am open to discussions and potential improvements to the model! 🚀

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
ee8e835

0 моделей