/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
5 июл 2026

whisper-small-hu

Распознавание речиАудио → текст6 профессий

Дообученная на венгерской части Common Voice модель Whisper для распознавания и транскрибирования венгерской речи.

50скачиваний за 30 дней0лайковвеса обновлены18 июл 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

SubZtep/whisper-small-hu — дообученная модель распознавания речи на основе openai/whisper-small, разработанной OpenAI. Она предназначена для транскрибирования аудио на венгерском языке; при оценке на тестовой выборке Common Voice 26.0 показала WER 15,62 и CER 3,33 после нормализации регистра и пробелов. Модель содержит 153,1 млн параметров и работает с аудиовходом через библиотеку Transformers.

Модель обучена на 62 284 аудиофрагментах с чтением предложений из венгерской части Common Voice 26.0. Она подходит для транскрибирования аналогичной речи, например записей с дикторским чтением. Лицензия — MIT.

На спонтанной речи, шумных записях и аудио с узкоспециальной лексикой ожидается больше ошибок. Указанные WER и CER не отражают точность регистра и пунктуации; для венгерского языка CER может лучше показывать близость транскрипта из-за агглютинативной морфологии.

Сценарии применения

  • транскрибирование записей с чтением венгерских предложений
  • распознавание речи в венгерских аудиозаписях
  • создание черновых субтитров на венгерском языке

Ограничения

Обучение основано на чтении предложений, поэтому на спонтанной речи, шумном аудио и узкоспециальной лексике ошибки могут быть чаще. Оценки WER и CER не отражают точность регистра и пунктуации.

Для каких профессий подходит6

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

whisper-small-hu

openai/whisper-small fine-tuned for Hungarian speech recognition on Mozilla Common Voice 26.0.

WERCER
openai/whisper-small (zero-shot)46.7911.70
whisper-small-hu15.623.33

Both models evaluated on the full Common Voice 26.0 Hungarian test split (13,127 clips) with the same pipeline: greedy decoding, forced <|hu|><|transcribe|> prompt, predictions and references lowercased and whitespace-normalized before scoring.

Usage

from transformers import pipeline

asr = pipeline("automatic-speech-recognition", model="SubZtep/whisper-small-hu")
print(asr("audio.mp3", generate_kwargs={"language": "hungarian", "task": "transcribe"})["text"])

Training

  • Data: Common Voice 26.0 Hungarian train split (62,284 clips), silence-trimmed, 16 kHz
  • Schedule: 3 epochs (~11,700 steps), effective batch size 16 (8 × 2 gradient accumulation)
  • Optimizer: AdamW, lr 1e-5, linear decay with 500 warmup steps, fp16, gradient checkpointing
  • Hardware: single NVIDIA T4 (Google Colab)
  • Selection: best checkpoint by WER on a fixed 1,500-sample subset of the dev split

Training code: https://github.com/SubZtep/whisper-hu

Training progress

WER on the 1,500-sample dev subset during training:

EpochStepTrain LossVal LossWER
0.2610000.33020.328430.54
0.5120000.24900.267425.36
0.7730000.21300.233723.12
1.0340000.13800.201718.60
1.2850000.10110.196018.16
1.5460000.09230.186617.29
1.8070000.09130.177916.28
2.0680000.03900.176515.71
2.3190000.03880.178115.32
2.57100000.03940.176215.38
2.83110000.03690.174515.31

Framework versions

  • Transformers 4.44.2
  • PyTorch 2.11.0+cu128
  • Datasets 4.0.0
  • Tokenizers 0.19.1

Limitations

  • Trained on read speech (Common Voice sentences) — expect higher error rates on spontaneous conversation, noisy audio, or domain-specific vocabulary
  • WER is measured on lowercased text; the model itself outputs casing and punctuation, but their accuracy is not reflected in the score
  • Hungarian is agglutinative, so WER punishes single-suffix mistakes as whole-word errors — the CER of 3.33 is a better sense of how close transcripts are

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
3a6023e

0 моделей