/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
30 сен 2026

whisper-small-sinhala-v6-e6-run11-best

Распознавание речиАудио → текст

Дообученная версия Whisper small для транскрибирования аудиозаписей на сингальском языке.

117скачиваний за 30 дней0лайковвеса обновлены6 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

SinhaSpeech/whisper-small-sinhala-v6-e6-run11-best — модель автоматического распознавания речи на сингальском языке, созданная полным дообучением Whisper small от OpenAI. Она содержит 153,1 млн параметров по метаданным Hugging Face и предназначена для преобразования аудиозаписей в текст, включая записи, разбитые на фрагменты для обработки длинных аудио. Модель основана на архитектуре Whisper и принимает аудио, выдавая текстовую транскрипцию.

На тестовом наборе из 15 860 высказываний, разделённом по говорящим, авторы сообщают WER 16,38% и CER 4,43%. В обучающих данных использованы OpenSLR-52 и собранный набор SinhaSpeech/sinhala-asr-data. Модель ориентирована на сингальскую речь; результаты на других языках не приведены. Репозиторий содержит веса Safetensors, а лицензия указана как Apache-2.0.

Сценарии применения

  • транскрибирование сингальской речи из аудиофайлов
  • распознавание сингальских высказываний в наборах данных
  • создание текстовых расшифровок сингальских записей
  • распознавание речи по фрагментам длительностью до 30 секунд

Ограничения

Метрики приведены для конкретного тестового набора с разделением по говорящим и не гарантируют такие же результаты на других данных. Оценка сосредоточена на сингальской речи; качество для других языков не описано.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-small-sinhala-v6-e6-run11-best

Full fine-tune of openai/whisper-small (244M parameters) for Sinhala automatic speech recognition. It reaches 16.38% WER / 4.43% CER on a speaker-disjoint test set of 15,860 utterances.

It is the ASR model behind SinhaSpeech, a Sinhala accessibility platform built as a University of Moratuwa DSE project. The platform covers live lecture captioning, transcript review, spoken quizzes and a hands-free voice-command mode.

Usage

from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="SinhaSpeech/whisper-small-sinhala-v6-e6-run11-best",
    chunk_length_s=30,
)
print(asr("sample.wav", generate_kwargs={"language": "sinhala", "task": "transcribe"})["text"])
  • Audio should be 16 kHz mono. The pipeline resamples common formats through ffmpeg.
  • Whisper handles 30 s windows. Use chunk_length_s=30, or window the audio yourself for longer recordings.
  • For low-latency use, the project serves a CTranslate2 (faster-whisper) conversion of this model for live captioning.

Training

Base modelopenai/whisper-small
MethodFull fine-tune (every weight updated, no LoRA)
Datastratified_v6 of SinhaSpeech/sinhala-asr-data (OpenSLR-52 plus a collected set)
Split sizes123,205 train / 15,763 validation / 15,860 test, speaker-disjoint
Learning rate3e-5, linear decay, 500 warmup steps
Batch size64 effective (64 per device x 1 accumulation step)
Epochs / steps6 epochs, 11,556 steps
Precision / hardwarebf16 on one AMD Instinct MI300X (ROCm)
AugmentationSpecAugment on. Per-clip, each with probability 0.2: Gaussian noise (SNR 20-30 dB), time stretch (0.9-1.1x), pitch shift (+/-2 semitones)
Generationlanguage="sinhala", task="transcribe", generation_max_length=225
Model selectionBest validation WER (epoch 6)
Train runtimeabout 5.75 h (final train loss 0.0356, average train loss 0.114)
Final checkpointstep 11,556 (this is also the best checkpoint)

About the data version. stratified_v6 canonicalizes about 2,954 word instances compared with stratified_v5:

  • letter-level spellings such as ළ/ල and ණ/න
  • ZWJ/rakaransaya conjuncts
  • word-level register pairs such as the -නං/-නම් conditional ending
  • English typos in code-switched references

The full motivation and method are in the project's error analysis.

Results

SplitWERCER
Validation (epoch 6, 15,763 rows)19.61%6.17%
Test (15,860 rows)16.38%4.43%

Test WER is lower than validation WER here. The two splits are different speaker-disjoint partitions, so they are not expected to match exactly.

Training curves

Train vs eval loss and validation CER

Train loss falls smoothly from 2.59 to 0.036. Eval loss falls from 0.220 to 0.128 by epoch 5, then ticks up slightly to 0.132 at epoch 6 while WER and CER still improve. This is a mild divergence worth watching, not clear overfitting.

Eval WER and eval loss per epoch

EpochVal WERVal CERVal loss
129.44%8.75%0.2197
225.11%7.50%0.1771
322.60%6.74%0.1606
421.20%6.48%0.1327
520.04%6.20%0.1284
619.61%6.17%0.1316

Learning-rate schedule

Comparison with other runs

RunSetupTest WERTest CER
run1v1 data (different test split), full FT, 4 ep17.08%3.49%
run5v4 data (speaker-disjoint), 4 ep19.06%4.90%
run6-v5v5 data, 5 ep17.15%4.62%
run10-v6 (whisper-small-sinhala-v6-e5)v6 data, 5 ep17.17%4.71%
run11-v6 (this model)v6 data, 6 ep16.38%4.43%

WER is only comparable between runs that share a test split. run1 used the v1 split. All other runs shown use v4 or later.

The extra sixth epoch is what produced the gain. run10 (same config, 5 epochs) only tied run6-v5, so the v6 data cleanup alone did not move test WER. The gain over both 5-epoch runs is about 0.8 points WER and 0.2-0.3 points CER.

Repository contents

The repo root holds the final model (model.safetensors, tokenizer and config files) and the training-curve images in images/. Intermediate training checkpoints were removed to keep the repo small.

Citation

@misc{jayasinghe2026whispersinhala,
  author = {Yohan Jayasinghe},
  title  = {whisper-small-sinhala-v6-e6-run11-best: Whisper-small fine-tuned for Sinhala ASR},
  year   = {2026},
  url    = {https://huggingface.co/SinhaSpeech/whisper-small-sinhala-v6-e6-run11-best}
}

Built on Whisper (Radford et al., 2022). Training data includes OpenSLR-52 (Sinhala).

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
8e79fac

0 моделей