/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
4 фев 2025

asr-whisper-large-v3-salt

Распознавание речиАудио → текст10 профессий

Адаптация Whisper large-v3 для транскрибации речи на языках Уганды, суахили, киньяруанда и английском с угандийским акцентом.

1 038скачиваний за 30 дней8лайковвеса обновлены24 авг 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

Модель Sunbird — адаптация Whisper large-v3 для распознавания речи на языках, распространённых в Уганде, включая луганда, ачоли, лугбара, атесо, раньяколе, руторо, лумасаба, суахили, лусога, киньяруанда и английский с угандийским акцентом. Она дообучена на датасете SALT, а также на данных Common Voice, Google FLEURS и Makerere Yogera.

Модель принимает аудио и выдаёт транскрипцию, автоматически определяя язык или используя язык, заданный явно. Для повышения устойчивости к бытовым условиям при обучении добавляли шум, имитировали телефонную речь понижением частоты до 8 кГц и использовали уличные записи из Уганды. Карточка приводит метрики WER и CER на тестовых выборках; качество заметно различается по языкам, в частности WER выше на майянском и лусога, чем на английском, суахили и киньяруанда. Базовый Whisper не поддерживает перечисленные в карточке языки, поэтому для них используется особый формат задания языка. Модель опубликована под лицензией MIT.

Сценарии применения

  • транскрибация телефонных разговоров на языках Уганды
  • распознавание речи на луганда, ачоли и лугбара
  • расшифровка английской речи с угандийским акцентом
  • транскрибация записей с уличным шумом
  • распознавание речи на суахили и киньяруанда

Ограничения

Автоопределение языка может ошибаться; карточка рекомендует при необходимости задавать язык явно. Качество распознавания различается между языками и ниже на некоторых из них, включая майянский и лусога.

Для каких профессий подходит10

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 large for Ugandan languages

This model is an adaptation of whisper-large-v3 for the following languages widely spoken in Uganda: Luganda, Acholi, Lugbara, Ateso, Runyankole, Rutooro, Lumasaba, Swahili, Lusoga, Kinyarwanda and English (Ugandan accent).

Training

The model was trained with the SALT dataset, Common Voice (Luganda, Swahili, Kinyarwanda), Google FLEURS and Makerere Yogera datasets. To help with generalisation in practical settings, training used addition of random noise and random downsampling to 8kHz to simulate phone speech. Street noise sampled from urban locations in Uganda was added to improve robustness.

Usage

The model is used in a similar way to the base Whisper model. The model will attempt to auto-detect the language and provide a transcription. However, note that language detection is not always accurate and results may be improved by specifying it instead. The languages in this model are not supported by the base Whisper model, so the format is slightly different:

import transformers
import datasets
import torch

processor = transformers.WhisperProcessor.from_pretrained(
    "Sunbird/asr-whisper-large-v3-salt")
model = transformers.WhisperForConditionalGeneration.from_pretrained(
    "Sunbird/asr-whisper-large-v3-salt")

SALT_LANGUAGE_TOKENS_WHISPER = {
    'eng': 50259,  # English (Ugandan)
    'swa': 50318,  # Swahili
    'ach': 50357,  # Acholi
    'lgg': 50356,  # Lugbara
    'lug': 50355,  # Luganda
    'nyn': 50354,  # Runyankole
    'teo': 50353,  # Ateso
    'xog': 50352,  # Lusoga
    'ttj': 50351,  # Rutooro
    'kin': 50350,  # Kinyarwanda
    'myx': 50349,  # Lumasaba
}

# Get some test audio
ds = datasets.load_dataset('Sunbird/salt', 'multispeaker-lug', split='test')
audio = ds[0]['audio']
sample_rate = ds[0]['sample_rate']

# Specify a language from one of the above.
lang = 'lug'

# Apply the model
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
input_features = processor(
    audio, sampling_rate=sample_rate, return_tensors="pt").input_features
input_features = input_features.to(device)
predicted_ids = model.to(device).generate(
    input_features,
    # Optionally set language=None here instead to auto-detect.
    language=processor.tokenizer.decode(SALT_LANGUAGE_TOKENS_WHISPER[lang]),
    forced_decoder_ids=None)
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)

print(transcription)
# Ekikoola kya kasooli kya kyenvu wabula langi yaakyo etera okuba eya kitaka wansi.

Performance Metrics

Evaluated on SALT text and held-out split from Common Voice (swa, kin) and Yogera (ttj, xog).

  • eval_WER_eng: 0.018
  • eval_WER_lug: 0.142
  • eval_WER_ach: 0.195
  • eval_WER_lgg: 0.189
  • eval_WER_teo: 0.202
  • eval_WER_nyn: 0.234
  • eval_WER_myx: 0.461
  • eval_WER_xog: 0.453
  • eval_WER_swa: 0.069
  • eval_WER_kin: 0.111
  • eval_WER_mean: 0.207
  • eval_CER_eng: 0.009
  • eval_CER_lug: 0.029
  • eval_CER_ach: 0.045
  • eval_CER_lgg: 0.045
  • eval_CER_teo: 0.051
  • eval_CER_nyn: 0.043
  • eval_CER_myx: 0.092
  • eval_CER_xog: 0.081
  • eval_CER_swa: 0.015
  • eval_CER_kin: 0.031
  • eval_CER_mean: 0.044

Citation

@misc{sunbird2025whisperlargev3,
  title        = {asr-whisper-large-v3-salt},
  author       = {{Sunbird AI}},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/Sunbird/asr-whisper-large-v3-salt}},
  note         = {Whisper large for Ugandan languages}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
0f59707

0 моделей