/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
whisper-small
Опубликована
6 сен 2026

whisper-small-sinhala-experiments

Распознавание речиАудио → текст

Экспериментальные варианты Whisper Small, дообученные для транскрибирования сингальской речи.

0скачиваний за 30 дней0лайковвеса обновлены6 окт 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

SinhaSpeech/whisper-small-sinhala-experiments — репозиторий экспериментальных дообученных вариантов Whisper Small для автоматического распознавания речи на сингальском языке. В нём собраны десять обучающих запусков; доступны полные веса и варианты LoRA. Базовая модель — openai/whisper-small, формат весов — safetensors, лицензия — Apache-2.0.

Модель предназначена для транскрибирования сингальской речи. В README лучший результат указан для отдельного репозитория run11: 16,38% WER на тесте; сам run11 в этом репозитории не входит. Результаты запусков различаются, а оценки ранних запусков могут быть оптимистичными из-за пересечения дикторов между обучающей и тестовой выборками.

Оставшиеся ошибки связаны преимущественно с вариантами написания устных и письменных форм, редкими словами и длинными высказываниями. Для LoRA-вариантов отмечено повторение слов в длинных выходах; качество сохранения английского языка проверялось лишь для некоторых ранних запусков. README приводит примеры загрузки полной модели через Transformers.

Сценарии применения

  • транскрибирование аудиозаписей на сингальском языке
  • распознавание сингальской речи из видео
  • подготовка текстовых расшифровок сингальских высказываний

Ограничения

Оценки ранних запусков могут быть завышены из-за пересечения дикторов между обучающей и тестовой выборками; в распознавании остаются ошибки на вариантах написания, редких словах и длинных высказываниях. Варианты LoRA могут повторять слова в длинных выходах, а сохранение качества английского языка проверялось не для всех запусков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper Small — Sinhala (experiments)

Experimental fine-tuned variants of openai/whisper-small for Sinhala automatic speech recognition (ASR). The best model, run11 (16.38% test WER), has its own repo: SinhaSpeech/whisper-small-sinhala-v6-e6-run11-best. All training data lives in SinhaSpeech/sinhala-asr-data.

This repo bundles ten training runs (run1 to run10) so the experiments are reproducible from one place.

Repo layout

models/
  run1/   full fine-tune, v1 data — merged, ready-to-use model
  run2/   LoRA (AMD hardware), v1 data — merged, ready-to-use model
  run3/   LoRA adapter only, v1 data — best checkpoint (epoch 2), run interrupted at epoch 2.5
  run4/   LoRA adapter only, v1 data — r=32, six target modules
  run5/   full fine-tune, v4 data (speaker-disjoint, spacing-normalised)
  run6/   full fine-tune, v5 data, lr 3e-5 linear, 5 epochs   <- best v5 model
  run7/   as run6 but cosine scheduler
  run8/   as run6 but 4 epochs
  run9/   as run6 but lr 2e-5 and 4 epochs
  run10/  full fine-tune, v6 data, lr 3e-5 linear, 5 epochs (also SinhaSpeech/whisper-small-sinhala-v6-e5)
checkpoints/
  run5/   resume notes and training log for run5

All splits (v1 to v6) are in SinhaSpeech/sinhala-asr-data under data/stratified_v1 to data/stratified_v6. The v1 to v4 copies that used to be bundled here were identical and have been removed.

Results

Test WER / CER in percent. run1 to run4 were scored on the v1 test set (15,483 utterances), which is not speaker-disjoint, so its numbers are optimistic. run5 to run10 were scored on the speaker-disjoint test set (15,860 utterances); v5 also normalises about 8.5% of the labels, so run5 vs run6 is indicative only. Text is lower-cased with punctuation removed before scoring.

RunTypeDataLR · schedulerEpochsTest WERTest CER
run1Fullv13e-5 · linear417.083.49
run2LoRA (merged)v15e-5 · linear421.015.73
run3LoRA adapterv13e-5 · cosineinterrupted at 2.559.0718.03
run4LoRA adapter (r=32)v11e-4 · cosine425.997.06
run5Fullv43e-5 · linear419.064.90
run6Fullv53e-5 · linear517.154.62
run7Fullv53e-5 · cosine517.444.72
run8Fullv53e-5 · linear417.904.76
run9Fullv52e-5 · linear419.075.02
run10Fullv63e-5 · linear517.174.71

Which run should I use?

RunUse when
whisper-small-sinhala-v6-e6 (run11)You want the best Sinhala accuracy (16.38% WER). Full weights, no PEFT dependency.
run6The best v5-data model.
run1You want the recipe that started the error analysis (v1 data).
run2A merged LoRA model.
run3, run4You want a small LoRA adapter to load on top of openai/whisper-small.
run5, run7, run8, run9Comparisons: v4 data, cosine scheduler, fewer epochs, lower learning rate.

Usage

Full / merged models (run1, run2, run5 to run10)

from transformers import WhisperForConditionalGeneration, WhisperProcessor

repo = "SinhaSpeech/whisper-small-sinhala-experiments"
model = WhisperForConditionalGeneration.from_pretrained(repo, subfolder="models/run6")
processor = WhisperProcessor.from_pretrained(repo, subfolder="models/run6")

LoRA adapters (run3, run4)

from transformers import WhisperForConditionalGeneration, WhisperProcessor
from peft import PeftModel
from huggingface_hub import snapshot_download

base = WhisperForConditionalGeneration.from_pretrained("openai/whisper-small")
path = snapshot_download("SinhaSpeech/whisper-small-sinhala-experiments", allow_patterns="models/run3/*")
model = PeftModel.from_pretrained(base, f"{path}/models/run3")
processor = WhisperProcessor.from_pretrained(f"{path}/models/run3")

Training data

All runs were trained on Sinhala speech aggregated from OpenSLR-52, YouTube, BizBrains, and Linga sources (~154,828 examples total). See the dataset card for split details and column schema.

Limitations

  • stratified (v1) and stratified_v2 may share speakers between train and eval splits; use stratified_v3 or later for a speaker-independent evaluation.
  • Errors that remain in the best model are mostly spelling conventions (spoken vs written forms), rare words and long utterances; see the project's error analysis.
  • The LoRA runs can repeat words in long outputs; no_repeat_ngram_size=3 is a recommended decoding setting for them.
  • English forgetting was measured only for some early runs; it was not evaluated for run5 to run10.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
b3d8333

0 моделей