/ Модель

Характеристики

Контекст
1 024 токена
Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
whisper · dense
Библиотека
transformers
Опубликована
4 сен 2026

indic-whisper-ctc-timestamps

Распознавание речиАудио → текст8 профессий

Whisper large-v2 с CTC-головой распознаёт хинди-речь и выдаёт временные границы слов за один проход энкодера.

306скачиваний за 30 дней1лайквеса обновлены11 окт 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

Sanat-agrwl/indic-whisper-ctc-timestamps — модель Саната Кумара Агравала и Шриканта Раджа Четупатли для распознавания речи на хинди с временными метками слов. Это Whisper large-v2, дообученная для хинди и дополненная символьной CTC-головой, которая использует то же представление аудио, что и декодер транскрипции. Модель выполняет один проход энкодера: декодер формирует текст, а CTC-голова оценивает границы слов с разрешением 20 мс.

Модель подходит для транскрибирования хинди-речи и автоматической разметки начала и конца каждого слова. В тесте IndicVoices-R для хинди указана WER 14,6%; среднее расхождение границ с внешним выравнивателем составляет 20,8 мс, однако это согласие между системами, а не точность относительно человеческой разметки. По README, калибровка уменьшает среднюю ошибку относительно человеческой разметки с 74,5 до 43,0 мс. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация аудиозаписей на хинди
  • получение временных меток начала и конца слов в речи на хинди
  • субтитры на хинди с привязкой слов ко времени
  • выравнивание транскрипта хинди-речи с аудио

Ограничения

Границы слов имеют систематическое смещение: примерно на 38 мс позже для начала и на 100 мс раньше для конца; README предлагает калибровку, после которой соседние интервалы могут слегка перекрываться. Приведённые 20,8 мс показывают согласие с внешним выравнивателем, а не точность относительно людей.

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

Indic Whisper with a character CTC head: transcript and word timestamps in one pass

Whisper large-v2 fine-tuned for Hindi, with a character-level CTC head over the same encoder. Audio goes through the encoder once: the attention decoder reads the result to produce the transcript, and the CTC head reads the same tensor to place word boundaries by forced alignment at 20 ms resolution. No second model and no second encoder pass, unlike pipelines that run a separate wav2vec2 aligner.

This is configuration M4 of the accompanying paper:

📄 Timestamped Hindi Speech Transcription using Whisper Sanat Kumar Agrawal, Srikanth Raj Chetupalli. Submitted to ICASSP 2027.

value
WER (IndicVoices-R Hindi test)14.6%
word-boundary error vs. external aligner20.8 ms
boundaries within 50 ms93.0%
CTC head size367 KB (one linear layer)

Usage

python word_timestamps.py clip.wav --model Sanat-agrwl/indic-whisper-ctc-timestamps --head ctc_head_E.pt

Outputs the transcript followed by one line per word with start and end times in seconds.

Calibration

Boundaries from a CTC head are systematically tight: words start about 38 ms late and end about 100 ms early relative to human annotation. Subtracting those two constants roughly halves the error, from 74.5 to 43.0 ms mean, measured out-of-sample against human boundaries. Pass --calibrate to apply them. Because the offsets apply independently, calibrated spans of adjacent words can overlap slightly.

What the timestamp numbers mean

The 20.8 ms above is agreement with an external wav2vec2 aligner, not accuracy. Measured against human annotation, this head and that aligner are statistically indistinguishable (74.5 vs 72.9 ms) yet agree with each other far more closely than either agrees with a person, because they share a systematic bias. Human inter-annotator agreement on the same task is 27.0 ms. See the annotations release and the paper.

Provenance and licence

Fine-tuned from vasista22/whisper-hindi-large-v2 (Apache-2.0), itself derived from OpenAI Whisper large-v2 (MIT), on IndicVoices-R (CC BY 4.0). Released under Apache-2.0; please attribute all three.

Citation

@article{agrawal2026timestamped,
  title   = {Timestamped Hindi speech transcription using Whisper},
  author  = {Agrawal, Sanat Kumar and Chetupalli, Srikanth Raj},
  journal = {arXiv preprint arXiv:2610.08847},
  year    = {2026}
}

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
b1e5104

0 моделей