/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Архитектура
whisper · dense
Библиотека
transformers
Опубликована
25 мар 2025

whisper-darija-finetuned

Распознавание речиАудио → текст4 профессии

Модель на базе Whisper small для расшифровки аудио на марокканской даридже в текст.

376скачиваний за 30 дней1лайквеса обновлены25 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

Whisper Darija — модель распознавания речи, разработанная Bentaleb Ali на основе OpenAI Whisper small и дообученная на марокканской даридже с использованием корпуса аудио и транскрипций. Это модель с архитектурой encoder-decoder, содержащая 153,1 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию.

Модель предназначена для расшифровки марокканской разговорной арабской речи: её можно применять в голосовых помощниках, создании субтитров и лингвистических исследованиях. В README сообщается, что после 10 эпох дообучения WER составил около 50%; качество зависит от записи и состава обучающих данных.

Модель может хуже распознавать шумные или низкокачественные записи и плохо переноситься на другие арабские диалекты. Для важных решений транскрипции следует проверять человеком. Лицензия — Apache 2.0.

Сценарии применения

  • транскрибация разговорной марокканской арабской речи
  • создание субтитров для марокканских аудио- и видеозаписей
  • распознавание речи для голосового помощника на даридже
  • подготовка транскриптов для лингвистических исследований

Ограничения

Модель может хуже работать на шумных и низкокачественных записях и плохо обобщать на другие арабские диалекты; сообщённый WER после 10 эпох составляет около 50%. Результаты в важных сценариях требуют проверки человеком.

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

Model Card for Whisper Darija (Fine-Tuned)

This is a fine-tuned OpenAI Whisper small model on Moroccan Darija speech transcription. It is trained to transcribe Moroccan dialectal Arabic from audio.

Model Details

Model Description

This model is a fine-tuned version of giannitto/whisper-morocco-model using a dataset of Moroccan Darija audio and transcriptions. The fine-tuning process aimed to improve the model's Word Error Rate (WER) for spoken Darija, which is underrepresented in many multilingual speech models.

  • Developed by: Bentaleb Ali
  • Model type: Automatic Speech Recognition (ASR)
  • Language(s): Moroccan Darija (Arabic dialect)
  • License: Apache 2.0
  • Finetuned from model: giannitto/whisper-morocco-model

Model Sources

Uses

Direct Use

This model is intended for transcription of Moroccan Darija audio into text. It can be used in:

  • Voice assistants
  • Media subtitling
  • Dialectal speech processing
  • Linguistic research

Out-of-Scope Use

  • Translation tasks (this model is for transcription, not translation)
  • Other Arabic dialects outside Moroccan Darija

Bias, Risks, and Limitations

  • The model may perform poorly on noisy or low-quality recordings.
  • The model may not generalize well to other dialects of Arabic.
  • Biases in the training data (e.g., gender, age, region) may affect transcription accuracy.

Recommendations

Carefully evaluate outputs when using the model in sensitive applications. Avoid using it in high-risk domains without human verification.

How to Get Started with the Model

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq
import torch, torchaudio

# Load model and processor
processor = AutoProcessor.from_pretrained("TaloCreations/whisper-darija-finetuned")
model = AutoModelForSpeechSeq2Seq.from_pretrained("TaloCreations/whisper-darija-finetuned")
model.eval()

speech, sr = torchaudio.load("path_to_record.wav")

if sr != 16000:
    resampler = torchaudio.transforms.Resample(orig_freq=sr, new_freq=16000)
    speech = resampler(speech)

# Preprocess and generate
inputs = processor(speech[0], sampling_rate=16000, return_tensors="pt")
with torch.no_grad():
    generated_ids = model.generate(**inputs)
    transcription = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

print("📢 Transcription:", transcription)

Training Details

Training Data

The model was trained on:

These datasets contain manually transcribed audio samples of Moroccan Darija.

Training Procedure

Preprocessing

  • All audio was resampled to 16kHz
  • Mel spectrograms were padded to 3000 frames (30s max)
  • Transcripts were tokenized and clipped to <=448 tokens
  • Decoder prompts were injected to ensure language/task alignment

Training Hyperparameters

  • Batch size: 8 (gradient accumulation = 2)
  • Epochs: 10
  • Learning rate: 2e-6
  • Mixed precision: fp16
  • Weight decay: 0.01
  • Warmup steps: 500

Evaluation

Testing Data, Factors & Metrics

Testing Data

A held-out subset (10%) of the training datasets.

Metrics

  • Word Error Rate (WER)

Results

📊 Training Progress

EpochTraining LossValidation LossWord Error Rate (WER)
10.9050000.8314090.825147
20.7732000.7120220.732625
30.6589000.6520960.631158
40.6091000.6086190.578152
50.5484000.5797110.546444
60.5097000.5617680.524927
70.4820000.5517170.522067
80.4594000.5456950.526979
90.4465000.5430170.497141
100.4432000.5421520.504545

Summary

After 10 epochs, the model achieved a WER of ~50%, a significant improvement over baseline multilingual Whisper models on Moroccan Darija.

Environmental Impact

Estimated based on training on a single A100 GPU for ~6.5 hours.

  • Hardware Type: A100
  • Hours used: ~6.5
  • Cloud Provider: Google Cloud (Colab)
  • Compute Region: Morocco

Technical Specifications

Model Architecture and Objective

  • Whisper (small) encoder-decoder architecture
  • Objective: sequence-to-sequence transcription

Compute Infrastructure

  • Google Colab Pro
  • 1x A100 GPU
  • PyTorch + Transformers 4.39

Citation

  title={Whisper Darija: Fine-tuned Whisper Model for Moroccan Arabic Speech},
  author={Bentaleb, Ali},
  year={2025},
}

Model Card Authors

Model Card Contact

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
09697f0

0 моделей