/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
25 ноя 2024

whisper-large-v3-et-subs

Распознавание речиАудио → текст4 профессии

Дообученная на эстонских телесубтитрах модель Whisper для распознавания эстонской речи и создания субтитров в формате ETV.

20скачиваний за 30 дней0лайковвеса обновлены6 мар 2025

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

TalTechNLP разработала эту модель как дообученную версию Whisper large-v3 для создания субтитров на эстонском языке. Модель распознаёт эстонскую речь и формирует текстовые субтитры; её обучали примерно на 770 часах вручную подготовленных субтитров эстонского телеканала ETV. Число параметров — 905,2 млн, архитектура — Whisper, для работы используется библиотека Transformers, веса представлены в формате safetensors.

Модель подходит для транскрибации передач и другого эстонского аудио с учётом требований ETV к длине строк: выходные фрагменты почти всегда соответствуют ограничению в 48 символов на строку. Это не дословная расшифровка: при спонтанной речи модель может переформулировать и сокращать текст, в частности опускать колебания и повторы. Лицензия — MIT. README упоминает Whisper large-v3-turbo как базу, тогда как метаданные указывают openai/whisper-large-v3; точная связь с вариантом turbo неясна.

Сценарии применения

  • создание субтитров к эстонским телепередачам
  • транскрибация эстонских телепрограмм
  • подготовка коротких строк субтитров с ограничением 48 символов
  • черновая расшифровка спонтанной эстонской речи

Ограничения

Модель может переформулировать и сокращать речь вместо дословной расшифровки, особенно для спонтанной речи, заминок и повторов. README называет базой Whisper large-v3-turbo, а метаданные — openai/whisper-large-v3.

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

Introduction

This model is OpenAI Whisper large-v3, finetuned on ~770 hours of manually created subtitles from Estonian TV (ETV). Therefore, this model does not always create verbatim (word-by-word) subtitles but often rephrases the sentences and compresses text, especially in the case of spontaneous speech, hestitations, repetitions, etc. However, the length of the generated text chunks almost always conforms to the ETV subtitle requirements (48 characters per line).

Usage

It's a finetuned vesion of Whisper large-v3-turbo and can be therefore used via Hugging Face 🤗 Transformers. To run the model, first install the Transformers library. For this example, we'll also install 🤗 Accelerate to reduce the model loading time:

pip install --upgrade pip
pip install --upgrade transformers accelerate

The model can be used with the pipeline class to transcribe audios of arbitrary length:

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "TalTechNLP/whisper-large-v3-et-subs"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

audio = "sample.mp3" 

result = pipe(sample, generate_kwargs={"task": "transcribe", "language": "et"})
print(result)

Citation

@inproceedings{fedorchenko-2025-optimizing,
    title = "Optimizing Estonian {TV} Subtitles with Semi-supervised Learning and {LLMs}",
    author = {Fedorchenko, Artem and Alum{\"a}e, Tanel},
    booktitle = "Proceedings of the 25th Nordic Conference on Computational Linguistics (NoDaLiDa)",
    year = "2025"
}

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
4075833

0 моделей