/ Модель

Характеристики

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

whisper-kalenjin-v3-turbo

Распознавание речиАудио → текст3 профессии

Дообученная версия Whisper large-v3-turbo для распознавания речи на календжин, особенно кипсигис и нанди.

20скачиваний за 30 дней1лайквеса обновлены27 апр 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

Tonykip/whisper-kalenjin-v3-turbo — модель распознавания речи на языке календжин, разработанная как дообучение Whisper large-v3-turbo с помощью LoRA. В репозитории размещена полная объединённая модель: адаптер уже встроен в веса; архитектура — WhisperForConditionalGeneration, размер — около 905,2 млн параметров.

Модель предназначена для преобразования аудио на календжин в текст, прежде всего для речи кипсигис и нанди. Обучение проводилось на размеченных записях чтения из датасета Anv-ke/Kalenjin; для длинных аудио автор рекомендует чанковое декодирование и beam search со значением 5. На тесте из 198 фрагментов спонтанной речи указаны WER 65,56% и CER 21,10%; на английском модель уступает базовой Whisper примерно 5 пунктов WER.

Ограничения включают заметно худшее качество на спонтанной речи и диалектах, недостаточно представленных в обучающих данных, а также повышенную задержку при beam search. Для длинных записей требуется чанковая обработка. Лицензия модели — MIT.

Сценарии применения

  • расшифровка записей речи на календжин
  • транскрибация диктовки на кипсигис
  • транскрибация речи на нанди
  • пакетная расшифровка длинных аудиозаписей на календжин

Ограничения

Обучение проводилось на речи чтения, а на спонтанной речи качество существенно ниже; на тесте указаны WER 65,56% и CER 21,10%. Данные охватывают главным образом кипсигис и нанди, длинные аудио требуют чанковой обработки, а английская речь распознаётся хуже базовой Whisper.

Для каких профессий подходит3

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

Whisper Kalenjin — LoRA fine-tune of whisper-large-v3-turbo

Kalenjin (Nilotic, ~6.3M speakers in Kenya) ASR adapter on top of openai/whisper-large-v3-turbo. Trained with LoRA on all 41 scripted-speech audio shards from Anv-ke/Kalenjin.

This is the merged full model (adapter baked into base weights, ~1.6 GB).

Quickstart

The recommended inference recipe uses chunked long-form decoding plus beam=5 plus hallucination-mitigation decode args. Beam=5 alone reduces WER by ~17 points compared to greedy; the rest of the args handle long-audio chunking and suppress the classic Whisper repetition-tail failure mode.

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="Tonykip/whisper-kalenjin-v3-turbo",
    chunk_length_s=30,
    stride_length_s=(5, 5),
)

result = pipe(
    "your_audio.wav",
    return_timestamps=True,
    generate_kwargs={
        "language": "sw",
        "task": "transcribe",
        "num_beams": 5,
        "compression_ratio_threshold": 1.35,
        "no_repeat_ngram_size": 3,
        "repetition_penalty": 1.15,
        "temperature": (0.0, 0.2, 0.4, 0.6, 0.8, 1.0),
    },
)
print(result["text"])

Results (on 198-clip held-out unscripted dev_test set)

All numbers from canonical_metrics.json in the project repo. Recipe: chunked + beam=5 + temperature fallback + hallucination guards. Normalization: lowercase, [cs]/[pause] stripped, punctuation collapsed.

MetricValue
WER (overall, normalized)65.56%
CER (overall, normalized)21.10%
Mean coverage0.913

For comparison: greedy decoding (single best token per step) on the same model and same clips gives WER 82.79% / CER 33.88%. Beam search is the single biggest decoder improvement we found — bigger than any LoRA-recipe change.

Dialect-stratified at the recommended recipe, using ground-truth labels from Anv-ke/Kalenjin/dev_test/unscripted/files/meta.csv:

DialectnWERCER
Kipsigis15665.51%21.40%
Nandi4266.08%20.21%

This model serves Kipsigis and Nandi speakers comparably — dialect gap of −0.57 WER points (Kipsigis very slightly better), within sampling noise on n=42 Nandi clips.

For comparison, base whisper-large-v3-turbo zero-shot WER on Kalenjin is 124% (measured on 200 scripted clips; the model hallucinates Icelandic-looking text and repetition loops on Kalenjin audio it has never been trained for). On English LibriSpeech, this fine-tune is roughly +5 WER points worse than base Whisper (almost entirely punctuation drift; words are correct).

Why CER, not just WER

For agglutinative languages with inconsistent orthographic conventions (apostrophe in ng', double letters, word-boundary ambiguity), WER counts whole-word mistakes that a native reader would call cosmetic. CER (character-level) correlates ~5 points better with human judgment across African ASR benchmarks. Both are reported.

Training

  • Base: openai/whisper-large-v3-turbo (MIT)
  • Method: LoRA, r=16, alpha=32, targets q_proj, k_proj, v_proj, out_proj, fc1, fc2
  • Optimizer: AdamW, lr=1e-4, 50-step warmup, bf16 mixed precision
  • Epochs: 2
  • Hardware: 1× A100-40GB on Modal
  • Data: 41 scripted-speech audio shards (~29 GB, the entire train/scripted/ split of Anv-ke/Kalenjin). Language token anchored to Swahili (sw) during training and inference.

Limitations and intended use

  • Speech-style scope. Trained on scripted (read) speech. Spontaneous unscripted speech transcribes meaningfully worse (~66% normalized WER, ~21% CER on the eval set at the recommended recipe). Don't expect transcription quality on casual conversational audio to match dictation.
  • Sub-tribe scope. "Kalenjin" is an umbrella term covering ~9 sub-tribes (Kipsigis, Nandi, Tugen, Keiyo, Marakwet, Sabaot, Pokot, Terik, Sengwer). The Anv-ke/Kalenjin dataset uses only KIPSIGIS and NANDI as dialect labels. Speakers from Keiyo, Marakwet, and Tugen counties are likely present in training data but rolled into one of the two main labels. Pokot, Sabaot, Terik, and Sengwer are likely absent from training data; speakers from those communities should expect noticeably worse accuracy than this model card reports.
  • Long-form audio. Whisper's audio encoder has a 30-second receptive field. The recommended recipe handles long audio via chunked inference; do not pass long waveforms without chunking, or you'll get a transcription of only the first 30 seconds.
  • Beam search vs latency. The 17-WER-point gain from beam=5 is not free — beam search is ~5× slower per chunk than greedy. For latency-critical applications (live dictation), greedy may be necessary; for batch transcription, use beam=5.
  • English regression. ~5 WER points worse on English than base Whisper, mostly punctuation. If your application requires high-fidelity bilingual ASR, run base Whisper for English audio.
  • Research artifact, not production. No SLA, no warranty. Don't deploy for safety-critical speech tasks (medical, legal, emergency response) without further evaluation on your specific audio domain.

Citation / attribution

If you use this model, please cite the underlying data source:

Wanzare, L., Amol, C., Maina, E., Odhiambo, N., Kerubo, H., Misula, L.,
Oloo, V., Mboya, R., Onkoba, E., Ombui, E., Muguro, J., wa Maina, C.,
Kipkebut, A., Otom, A.O., Kang'ethe, I.N., Kanyi, A.W., Omwenga, B.G.
(2025). AfriVoices-KE: A Multilingual Speech Dataset for Kenyan Languages.
arXiv:2604.08448. https://huggingface.co/datasets/Anv-ke/Kalenjin
openai/whisper-large-v3-turbo — https://huggingface.co/openai/whisper-large-v3-turbo

License

MIT — matches the base model. Training data licensing is governed by the Anv-ke/Kalenjin terms (CC BY 4.0 with gated access). Users intending to retrain or redistribute training data should request access from the dataset authors directly. This repo ships only model artifacts; no audio or transcripts are redistributed.

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
fdf51f7

0 моделей