/ Модель

Характеристики

Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
27 авг 2026

bengali-whisper-medium

Распознавание речиАудио → текст4 профессии

Модель на базе Whisper medium распознаёт бенгальскую речь и возвращает текстовую расшифровку с пунктуацией.

304скачиваний за 30 дней0лайковвеса обновлены28 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

SayedShaun/bengali-whisper-medium — модель распознавания бенгальской речи с восстановлением пунктуации, созданная на базе Whisper medium. По README, исходную модель обучил tugstugi (Erdene-Ochir Tuguldur) из команды Chimege; этот репозиторий содержит упаковку весов в safetensors и исправленную конфигурацию генерации. Модель насчитывает 455,8 млн параметров и работает через Transformers.

Модель принимает аудио на бенгальском языке и генерирует текстовую расшифровку с пунктуацией; она участвовала в решении, занявшем первое место в соревновании Bengali.AI Speech Recognition. Для более широкого восстановления пунктуации автор рекомендует отдельную модель asr-punctuation-restore-bn.

Модель распространяется по лицензии Apache-2.0. Она предназначена только для бенгальской речи; на тишине и шуме может выдавать правдоподобный вымышленный текст. README также отмечает ограниченный набор пунктуации и разницу качества между публичной и закрытой выборками соревнования.

Сценарии применения

  • расшифровка аудио на бенгальском языке
  • транскрибация бенгальских записей и видео
  • получение бенгальских субтитров из речи
  • автоматическое распознавание бенгальской речи с базовой пунктуацией

Ограничения

Модель рассчитана только на бенгальский язык и может галлюцинировать связный текст на тишине или шуме. Пунктуация ограничена знаками ।, запятой и вопросительным знаком; качество на закрытой выборке соревнования было ниже, чем на публичной.

Для каких профессий подходит4

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

Bengali ASR with punctuation restoration

License Language

Bengali speech in, punctuated Bengali text out. A whisper-medium fine-tune — the ASR half of the 1st-place solution of the Bengali.AI Speech Recognition Kaggle competition (0.312 WER, public leaderboard). Loads directly with standard transformers tooling, no custom code required.

Attribution. Trained by tugstugi (Erdene-Ochir Tuguldur), team Chimege; redistributed here under Apache-2.0. This repo only adds packaging (safetensors conversion, a repaired generation config). Please cite the original author — see Citation.

Want punctuated output? Pair this with asr-punctuation-restore-bn (same competition solution's MuRIL punctuation heads, published standalone — works on any ASR's output) via the asr-punct-restore package, used below.

Quick start

Stage 1 — ASR:

from transformers import pipeline

asr = pipeline("automatic-speech-recognition",
               model="SayedShaun/bengali-whisper-medium",
               chunk_length_s=20.1)  # >20s: competition audio is long-form

result = asr("clip.wav", generate_kwargs={"language": "bn", "task": "transcribe",
                                          "num_beams": 4, "max_length": 260})
raw_text = result["text"]  # no punctuation yet

Apply NFC normalization before comparing or storing output — the model emits precomposed Bengali letters (য় ড় ঢ়) that Bengali corpora write as base+nukta; they render identically but compare unequal (cost 18% WER on one otherwise-perfect sample):

import unicodedata
raw_text = unicodedata.normalize("NFC", raw_text)

Stage 2 — punctuation:

pip install git+https://github.com/sayedshaun/asr-punct-restore.git
from asr_punct_restore import PunctuationRestorer

restorer = PunctuationRestorer("SayedShaun/asr-punctuation-restore-bn",
                               layers=(12,))  # most accurate single head
punctuated = restorer(raw_text)

In production

  • Pin a revision so a later push here can't change what you serve.
  • Warm up both stages once at startup — first real request shouldn't pay kernel-autotune / model-load cost.
  • One instance per worker, reused across requests — not thread-safe for concurrent calls.

Limitations

  • Bengali only.
  • Hallucinates fluent text on silence/noise like all Whisper models — gate with VAD.
  • Punctuation covers only ।, ,, ? — no prosody, no exclamation points.
  • Public/private WER gap (0.312 / 0.372) suggests YouTube pseudo-labeling fit the public test domain somewhat.

Citation

Please cite the original author, not this packaging:

@misc{tuguldur2023bengaliasr,
  author = {Tuguldur, Erdene-Ochir},
  title  = {1st place solution, Bengali.AI Speech Recognition},
  year   = {2023},
  howpublished = {\url{https://www.kaggle.com/competitions/bengaliai-speech/writeups/chimege-1st-place-solution}}
}

License

Apache-2.0, following the original upload; the Kaggle submission bundle is CC0.

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
5a60225

0 моделей