/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
13 сен 2026

voho-saudi-stt-small

Распознавание речиАудио → текст

Модель Voho для распознавания саудовской арабской речи, включая диалекты наджди, хиджази и халиджи.

107скачиваний за 30 дней2лайкавеса обновлены14 сен 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

Voho Saudi STT Small — модель распознавания речи от Voho, дообученная на базе OpenAI Whisper Small для транскрибации саудовского арабского. Она ориентирована на диалекты наджди, хиджази и халиджи, а также на другие варианты саудовской речи. Модель содержит 153,1 млн параметров, принимает аудио и выдаёт текст; для работы используется библиотека Transformers. В обучении применялись около 187 тысяч фрагментов датасета SADA22, включая речь с телевидения, а также записи на современном литературном арабском.

Сценарии применения

  • транскрибация саудовской речи из телепередач
  • распознавание диалекта наджди
  • транскрибация речи на хиджазском диалекте
  • распознавание речи на халиджи
  • расшифровка аудиозаписей на арабском языке

Ограничения

Качество распознавания ниже на телефонных записях с шумом, сжатием и частотой 8 кГц; небольшая модель менее точна, чем более крупные речевые модели. Обучающие данные смещены в сторону мужских голосов, а транскрипты выводятся без диакритических знаков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Voho Saudi STT Small

Speech recognition for Saudi Arabic as it is actually spoken: Najdi, Hijazi and Khaleeji dialects, from Voho.

Most Arabic speech models are trained on Modern Standard Arabic: the news, not a phone call from Riyadh. This model is fine-tuned on about 187,000 clips of Saudi dialect speech, and on Saudi speech it makes far fewer mistakes than the model it started from.

Results

Word and character error rate on the Saudi dialect test set (lower is better), before and after fine-tuning:

DialectClipsWER beforeWER afterCER beforeCER after
All Saudi test clips4,582103.9%39.2%69.0%16.9%
Najdi (Riyadh, central)1,704102.8%35.7%68.7%15.3%
Hijazi (Jeddah, Makkah)809104.3%36.3%67.9%15.4%
Khaleeji (Eastern Province, Gulf)1,150106.6%43.2%70.5%18.3%
Saudi, dialect unlabelled762135.8%51.2%97.3%25.1%
Modern Standard Arabic15752.6%33.7%29.5%12.6%

Scored after the normalisation standard for Arabic speech recognition: diacritics removed, alef forms unified, ta marbuta and alef maqsura normalised, punctuation removed. Both models were scored identically.

Examples

DialectWhat was saidWhat the model wrote
Khaleejiالديرة نت الديرة دوت الديرة نت الديرة نت.هدير هدير عليك برطنا هدير عليك هدير هدير عليك برطنا هدير عليك
Najdiيا ليتك يا فيصل تعرف وش إللي أبغاه.ليلتك يا فيصل تعرف وش اللي أبغى

Usage

from transformers import pipeline

asr = pipeline("automatic-speech-recognition", model="VohoAI/voho-saudi-stt-small")
print(asr("call.wav", generate_kwargs={"language": "arabic", "task": "transcribe"})["text"])

Training

  • Base model: openai/whisper-small (244M parameters, MIT)
  • Data: SADA, the Saudi Audio Dataset for Arabic published by SDAIA and the National Center for AI, Saudi TV speech with dialect labels. Clips labelled Najdi, Hijazi, Khaleeji, unlabelled Saudi and Modern Standard Arabic were kept. Overlapping multi-speaker clips, non-Saudi dialects and clips over 30 seconds were removed.
  • Targets: transcripts with diacritics removed
  • Setup: 2 epochs, batch size 32, learning rate 1e-5, bf16, one NVIDIA L4

Licence and intended use

Non-commercial. SADA is licensed CC BY-NC-SA 4.0, so this model is released under the same licence. You may use, share and adapt it for research and non-commercial purposes, with attribution, under the same terms. It is not licensed for commercial use.

For production Saudi Arabic speech recognition and synthesis, including in-Kingdom and on-premise deployment, use the Voho API or the LiveKit plugin.

Limitations

  • Trained mostly on television speech. Telephone audio (8 kHz, compressed, noisy) is harder, and accuracy on real calls will be lower than the table above.
  • Small model: fast, but less accurate than larger speech models.
  • Speaker gender in the training data is skewed male.
  • Transcripts are written without diacritics.

Citation

Please cite SADA when using this model:

Saudi Audio Dataset for Arabic (SADA), Saudi Data and AI Authority (SDAIA), 2022.

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
6b2b199

0 моделей