/ Модель

Характеристики

Контекст
1 024 токена
Параметры
51,7 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-base
Библиотека
transformers
Опубликована
11 дек 2024

Graduation_Project_Whisper_base

Распознавание речиАудио → текст

Дообученная модель Whisper Base распознаёт чтение аятов Корана и переводит арабскую речь в текст.

103скачиваний за 30 дней0лайковвеса обновлены22 июл 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

Модель YoussefAshmawy/Graduation_Project_Whisper_base разработана на основе OpenAI Whisper Base и дообучена для распознавания арабской речи, прежде всего чтения аятов Корана. Она принимает аудио и преобразует его в арабский текст; модель Whisper содержит 51,7 млн параметров. В README описано обучение на выровненных с текстом записях чтения Корана и приведены результаты оценки: WER 8,2% и CER 3,27% на тестовой выборке.

Модель предназначена для транскрибирования чтения Корана, учебных приложений и обработки религиозных аудиозаписей. Автор указывает, что система рассчитана главным образом на чистое чтение мужскими голосами с соблюдением таджвида. Лицензия — Apache-2.0.

Качество может снижаться при женских голосах, разговорной или диалектной речи, фоновом шуме и одновременной речи нескольких людей. README описывает обучение с CTC loss, хотя базовая архитектура и метаданные указывают на Whisper; поэтому сведения о методе обучения следует трактовать с осторожностью.

Сценарии применения

  • транскрибирование чтения Корана на арабском языке
  • распознавание аятов в приложениях для изучения Корана
  • создание субтитров для аудиозаписей чтения Корана
  • пакетная расшифровка религиозных аудиозаписей

Ограничения

Оптимизирована для чистого чтения Корана мужскими голосами; качество может снижаться на женской речи, разговорном арабском и диалектах. Шум и перекрывающиеся голоса также могут ухудшать распознавание.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper base AR - YA

This model is a fine-tuned version of openai/whisper-base on an Arabic Quran recitation dataset focused on verse-level speech-to-text transcription. The goal was to create a lightweight ASR system that can accurately transcribe Quranic audio into Arabic text, optimized for clear, male recitation audio.

It achieves the following results:

  • Validation set:
    • Loss: 0.0023
    • WER (Word Error Rate): 4.05%
    • CER (Character Error Rate): 1.95%
  • Test set:
    • WER (Word Error Rate): 8.2%
    • CER (Character Error Rate): 3.27%

Model description

This model builds upon OpenAI's Whisper base architecture and is fine-tuned specifically for Modern Standard Arabic, with a focus on Quranic verses. Audio samples were cleaned, resampled to 16kHz, and aligned with text for training.

The model is trained using CTC loss in a supervised setting, making it suitable for inference in streaming or batch-based ASR systems. Whisper’s multilingual capabilities were leveraged to build a domain-specific Arabic transcription model.

Intended uses & limitations

Intended uses:

  • Speech recognition for Arabic Quran recitations
  • Educational tools or Quran learning applications
  • Mobile-friendly deployment of ASR for religious audio content
  • Fine-tuning or distillation for low-resource Arabic ASR projects

Limitations:

  • Optimized for clear, male Quran recitation—performance may degrade with female voices or conversational Arabic
  • Not designed for dialectal or informal speech
  • Background noise or overlapping speakers may reduce accuracy

Training and evaluation data

The dataset consists of verse-level Quran recitations in Arabic. The recordings were primarily from male speakers with clear tajweed (recitation rules), and aligned to their corresponding Arabic text.

Audio files were resampled to 16kHz and normalized for Whisper compatibility.

Evaluation was conducted on both a held-out validation set and a separate test set to assess generalization.

Training procedure

Training hyperparameters

  • learning_rate: 0.0001
  • train_batch_size: 8
  • eval_batch_size: 8
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • num_train_epochs: 30
  • seed: 42
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • optimizer: AdamW (betas=(0.9, 0.999), eps=1e-08)
  • mixed_precision_training: Native AMP

Training was conducted using PyTorch with Hugging Face Trainer API. Metrics monitored include WER and CER.

Training results

This is only the results of the last batch not all batches

Training LossEpochStepValidation LossWerCer
0.00581.05250.00250.03530.0177
0.00182.010500.00310.04280.0197
0.00173.015750.00400.05110.0246
0.0014.021000.00390.04690.0212
0.00135.026250.00430.05050.0240
0.00066.031500.00420.04780.0223
0.00077.036750.00490.05340.0227
0.00078.042000.00480.05520.0235
0.00059.047250.00480.05010.0218
0.000510.052500.00480.05130.0215
0.000611.057750.00550.05280.0217
0.000212.063000.00550.05420.0232
0.000313.068250.00560.05300.0238
0.000214.073500.00570.04980.0237
0.000115.078750.00570.04460.0189
0.000316.084000.00540.05670.0254
0.000217.089250.00570.05400.0256
0.000218.094500.00570.05300.0239
0.019.099750.00560.04780.0228
0.020.0105000.00550.04730.0223
0.021.0110250.00560.04490.0202
0.022.0115500.00560.04610.0213
0.023.0120750.00570.04610.0213
0.024.0126000.00580.04650.0218
0.025.0131250.00580.04740.0224
0.026.0136500.00590.04650.0218
0.027.0141750.00590.04690.0219
0.028.0147000.00590.04610.0218
0.029.0152250.00540.05130.0229
0.030.0157500.00600.04630.0217

Framework versions

  • Transformers: 4.51.1
  • PyTorch: 2.5.1+cu124
  • Datasets: 2.20.0
  • Tokenizers: 0.21.0

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
70d5356

0 моделей