/ Модель

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
29 апр 2026

whisper-large-v3-turbo-et-verbatim-2604

Распознавание речиАудио → текст8 профессий

Дообученная версия Whisper large-v3-turbo для дословной транскрибации эстонской речи, в том числе с английскими терминами.

298скачиваний за 30 дней5лайковвеса обновлены17 июн 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

TalTechNLP дообучила мультиязычную модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Обучение включало 1400 часов аудио с вручную подготовленными дословными транскрипциями на эстонском языке, около 4000 часов эстонских новостных аудиозаписей с автоматически созданными транскрипциями и контекстной подсказкой, а также около 500 часов англоязычных подкастов и видео YouTube. Модель особенно рассчитана на эстонскую речь с английскими терминами и фрагментами, например в технических подкастах.

Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров. Она принимает аудио и выдаёт текст; использовать её можно через Transformers, а опубликованный вариант в формате GGML — с инструментами на базе whisper.cpp. Лицензия — MIT. Карточка не сообщает отдельные метрики качества или гарантии точности распознавания.

Сценарии применения

  • дословная транскрибация эстонских подкастов с английскими техническими терминами
  • распознавание эстонских новостных передач
  • транскрибация эстонской речи на аудио и видео
  • распознавание англоязычных подкастов и видео

Ограничения

Основная специализация — эстонская речь; дополнительные данные обучения на английском ограничены подкастами и видео YouTube. В карточке не приведены метрики качества распознавания.

Для каких профессий подходит8

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

Introduction

This model is OpenAI Whisper large-v3-turbo, finetuned on 1400 hours of audio with manually created verbatim transcriptions from the TalTech Estonian Speech Dataset 1.0 (https://cs.taltech.ee/staff/tanel.alumae/data/est-pub-asr-data/), around 4000 hours of automatically transcribed Estonian broadcast news data (with contextual biasing, using the accompanying texts, see https://huggingface.co/datasets/TalTechNLP/err-video-news-transcribed) and around 500 hours of English data from podcasts and YouTube (automatically transcribed using whisper-large-v3-turbo). The model should be especially strong in transcribing Estonian speech where English terms are used inside Estonian sentences (e.g. tech podcasts, etc).

[!Note] 2026-06-17 update: model in GGML format uploaded (see ggml subdirectory under files). Use it with tools that depend on whisper.cpp.

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-turbo-et-verbatim-2604"

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 = "demo/etteütlus2024.wav"

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

There is a also a ct2 version of the model that can be used with tools that are based on faster-whisper, e.g. whisper-ctranslate2 command line program, e.g.:

$ whisper-ctranslate2 --model_directory ct2 --language et --vad_filter True --threads 8 --output_dir demo demo/etteütlus2024.wav
Detected language 'Estonian' with probability 1.000000
[00:00.610 --> 00:08.710]  Kas pole teps mitte kihvt, et haridus- ja teadusministeerium paikneb Tartus Munga tänaval?
[00:08.710 --> 00:23.270]  Seal ülikooli peahoonest mõne kukesammu kaugusel tuleb pedagoogikaalased otsused langetada kivisse raiutud imposantsete kultuuriheeroste märksa pilgu all.
[00:23.290 --> 00:45.210]  Peeter Põllu esimese haridusministri rühikas selg tuletab meelde koolmeistrite määravat osatähtsust ühiskonnas ning üksi silmi teineteist jälgivad Kreutzwald ja Kalevipoeg kõrvu Oskar Lutsuliku kaine literaadi pilguga ei lase unustada Eesti vaimuilma alusväärtusi.
[00:45.210 --> 00:52.670]  Vahest peaks valitsusegi Stenbocki majast rahvusülikooli akadeemilisse mõju välja kupatama.
[00:52.670 --> 01:05.850]  Nii oleks võimukandjatel ehk mahti ilmavaate turgutamiseks linnaraamatukogust kübekene tarkust nõutada või Tartu Kunstimuuseumis kultustaieseid nautida.
[01:05.850 --> 01:16.270]  Piisa torni sarnane majamürakas võib tekitada muidugi äraspidise tunde, et Emajõe Ateenas on alalõpmata midagi viltu.


Citation

@article{olev2025open,
  title={Open source platform for Estonian speech transcription},
  author={Olev, Aivo and Alum{\"a}e, Tanel},
  journal={Language Resources and Evaluation},
  volume={59},
  number={4},
  pages={4421--4438},
  year={2025},
  publisher={Springer}
}

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
310c550

0 моделей