/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
whisper-small
Опубликована
6 сен 2026

whisper-small-sinhala

Распознавание речиАудио → текст5 профессий

Дообученная на сингальской речи версия Whisper Small для автоматической транскрипции аудио на сингальском языке.

0скачиваний за 30 дней0лайковвеса обновлены28 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Yohan2003/whisper-small-sinhala — набор дообученных вариантов Whisper Small для автоматического распознавания речи на сингальском языке. Репозиторий содержит девять обучающих запусков с весами и разбиениями данных; автор рекомендует run6 для максимальной точности распознавания сингальской речи. Модель основана на мультиязычной openai/whisper-small и принимает аудио, выдавая транскрипцию текстом.

Обучение проводилось на примерно 154 828 примерах сингальской речи из OpenSLR-52, YouTube, BizBrains и Linga. Для рекомендованного run6 приведена оценка на тестовом наборе без пересечения дикторов с обучением; точность зависит от орфографических вариантов, редких слов и длинных высказываний. LoRA-варианты могут повторять слова в длинных выводах.

Лицензия репозитория — Apache-2.0. Английское забывание для поздних запусков run5–run9 не оценивалось.

Сценарии применения

  • транскрибирование сингальской речи в текст
  • расшифровка сингальских аудиозаписей и видео
  • распознавание длинных высказываний на сингальском

Ограничения

Остаются ошибки в орфографических вариантах, редких словах и длинных высказываниях. LoRA-варианты могут повторять слова в длинных выводах; для запусков run5–run9 не оценивалось сохранение качества распознавания английского языка.

Для каких профессий подходит5

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

Whisper Small — Sinhala

Fine-tuned variants of openai/whisper-small for Sinhala automatic speech recognition (ASR), plus the training data splits used to produce them.

This repo bundles nine training runs (run1 to run9) and the dataset splits they were trained and evaluated on, so the full experiment is reproducible from one place. Run names match the ErrorAnalysis/ folders and the project presentation. (The project test plan numbers runs in a different order: its "Run 6" is run5 here.)

Repo layout

models/
  run1/   full fine-tune, v1 data — merged, ready-to-use model
  run2/   LoRA (AMD hardware), v1 data — merged, ready-to-use model
  run3/   LoRA adapter only, v1 data — best checkpoint (epoch 2), run interrupted at epoch 2.5
  run4/   LoRA adapter only, v1 data — r=32, six target modules
  run5/   full fine-tune, v4 data (speaker-disjoint, spacing-normalised)
  run6/   full fine-tune, v5 data, lr 3e-5 linear, 5 epochs   <- best model
  run7/   as run6 but cosine scheduler
  run8/   as run6 but 4 epochs
  run9/   as run6 but lr 2e-5 and 4 epochs
checkpoints/
  run5/   resume notes and training log for run5
data/
  stratified/     (v1) stratified train/test/validation split
  stratified_v2/  (v2) regenerated stratified split
  stratified_v3/  speaker-disjoint split
  stratified_v4/  (v4) speaker-disjoint, spacing-normalised split

The v5 split (used by run6 to run9) is in Yohan2003/whisper-sl-data under data/stratified_v5/, together with a dedicated dataset card.

Results

Test WER / CER in percent. run1 to run4 were scored on the v1 test set (15,483 utterances), which is not speaker-disjoint, so its numbers are optimistic. run5 to run9 were scored on the speaker-disjoint test set (15,860 utterances); v5 also normalises about 8.5% of the labels, so run5 vs run6 is indicative only. Text is lower-cased with punctuation removed before scoring.

RunTypeDataLR · schedulerEpochsTest WERTest CER
run1Fullv13e-5 · linear417.363.49
run2LoRA (merged)v15e-5 · linear421.015.73
run3LoRA adapterv13e-5 · cosineinterrupted at 2.559.0718.03
run4LoRA adapter (r=32)v11e-4 · cosine425.997.06
run5Fullv43e-5 · linear419.064.90
run6Fullv53e-5 · linear517.154.62
run7Fullv53e-5 · cosine517.444.72
run8Fullv53e-5 · linear417.904.76
run9Fullv52e-5 · linear419.075.02

Which run should I use?

RunUse when
run6You want the best Sinhala accuracy. Full weights, no PEFT dependency.
run1You want the recipe that started the error analysis (v1 data).
run2A merged LoRA model.
run3, run4You want a small LoRA adapter to load on top of openai/whisper-small.
run5, run7, run8, run9Comparisons: v4 data, cosine scheduler, fewer epochs, lower learning rate.

Usage

Full / merged models (run1, run2, run5 to run9)

from transformers import WhisperForConditionalGeneration, WhisperProcessor

repo = "Yohan2003/whisper-small-sinhala"
model = WhisperForConditionalGeneration.from_pretrained(repo, subfolder="models/run6")
processor = WhisperProcessor.from_pretrained(repo, subfolder="models/run6")

LoRA adapters (run3, run4)

from transformers import WhisperForConditionalGeneration, WhisperProcessor
from peft import PeftModel
from huggingface_hub import snapshot_download

base = WhisperForConditionalGeneration.from_pretrained("openai/whisper-small")
path = snapshot_download("Yohan2003/whisper-small-sinhala", allow_patterns="models/run3/*")
model = PeftModel.from_pretrained(base, f"{path}/models/run3")
processor = WhisperProcessor.from_pretrained(f"{path}/models/run3")

Training data

All runs were trained on Sinhala speech aggregated from OpenSLR-52, YouTube, BizBrains, and Linga sources (~154,828 examples total). See the data/ folder or the dataset card for split details and column schema.

Limitations

  • stratified (v1) and stratified_v2 may share speakers between train and eval splits; use stratified_v3 or later for a speaker-independent evaluation.
  • Errors that remain in the best model are mostly spelling conventions (spoken vs written forms), rare words and long utterances; see the project's error analysis.
  • The LoRA runs can repeat words in long outputs; no_repeat_ngram_size=3 is a recommended decoding setting for them.
  • English forgetting was measured only for some early runs; it was not evaluated for run5 to run9.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
95ec014

0 моделей