/ Модель

Характеристики

Контекст
1 024 токена
Параметры
29,4 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-tiny
Опубликована
2 сен 2026

whisper-tiny-hinglish

Распознавание речиАудио → текст3 профессии

Компактная модель распознаёт индийскую речь на хинди, английском и Hinglish и выводит транскрипцию естественной латиницей.

153скачиваний за 30 дней0лайковвеса обновлены2 окт 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

Whisper-tiny Hinglish (Romanized) — модель распознавания речи, созданная дообучением openai/whisper-tiny. Она преобразует индийскую речь на хинди, английском и Hinglish с переключением языков в естественный текст латиницей, включая чисто хиндиязычную речь. Модель предназначена для диктовки на устройствах и других сценариев транскрибации; README описывает архитектуру Whisper с 4 слоями энкодера и 4 слоями декодера, входное аудио 16 кГц и размер около 39 млн параметров, тогда как метаданные указывают 29,4 млн.

Модель обучали на индийской речи с акцентом и переключением между хинди и английским, в том числе на материалах HiACC, MUCS и Common Voice. Её сильные стороны — компактность, скорость на CPU и прямой вывод романизированного текста без отдельного этапа транслитерации. Качество может снижаться на шумной записи, быстрой речи, сильных акцентах, перекрывающихся голосах и специальной лексике; пунктуация и регистр ненадёжны, а качество на длинных записях не проверено. Романизация фонетическая и может иметь разные варианты написания.

Лицензия в предоставленных данных не указана.

Сценарии применения

  • диктовка Hinglish на смартфоне или устройстве с ограниченными ресурсами
  • транскрибация разговорной речи на хинди и английском с переключением языков
  • получение романизированного текста из аудио на хинди
  • распознавание коротких записей индийской речи с акцентом

Ограничения

Небольшой размер модели может приводить к ошибкам на шумной или быстрой речи, сильных акцентах, перекрывающихся голосах и специальной лексике; качество на очень длинных записях не проверено. Пунктуация и регистр ненадёжны, а фонетическая романизация допускает варианты написания.

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-tiny Hinglish (Romanized)

A fine-tune of openai/whisper-tiny that transcribes Hindi, English, and code-switched Hinglish Indian speech directly into natural Roman script — the way people actually type Hinglish (kya scene hai, not क्या सीन है and not a stiff academic transliteration).

  • 39 M parameters, 4 encoder + 4 decoder layers, 80-mel, 16 kHz — runs on CPU / edge.
  • Output is always Roman, even for pure-Hindi speech. No Devanagari, no separate transliteration step at inference time.
  • Built for on-device dictation for Indian users, but released here as a standalone, general-purpose model for the community.

This is a small model. It is fast and convenient, not state-of-the-art. See Limitations.

Example outputs

The model emits Roman text directly from audio. Target style (illustrative):

Speech (reference)Model output style
"…with my daughter और जो मेरी daughter है उसको बहुत पसंद है diwali…"…with my daughter aur jo meri daughter hai usko bahut pasand hai diwali…
"वीर बड़े भाई known for his curiosity and दीया छोटी बहन…"veer bade bhai known for his curiosity and deeya chhoti bahan…
"आपका hometown किस city में है…"aapka hometown kis city mein hai…
"दिवाली मनाते हैं साथ में पटाखे जलाते हैं"diwali manate hain saath mein patakhe jalate hain

English spans are kept verbatim; Hindi spans come out in natural Roman spelling.

Usage

from transformers import pipeline

asr = pipeline("automatic-speech-recognition",
               model="<your-username>/whisper-tiny-hinglish",
               chunk_length_s=30)          # for clips longer than 30 s

print(asr("clip.wav")["text"])

Or with raw 16 kHz mono audio:

import soundfile as sf
audio, sr = sf.read("clip.wav")            # resample to 16 kHz mono if needed
print(asr({"raw": audio, "sampling_rate": 16000})["text"])

The model does not require a forced language token — it was trained to emit Roman for every input. No post-processing / transliteration is needed.

Training data

Fine-tuned on Indian-accent, read- and prompted-speech corpora, chosen for their heavy Hindi–English code-switching:

SourceContent
HiACC (adult + children)Indian-accented Hindi/English/Hinglish read & conversational speech
MUCS (Hindi–English)Code-switched Hindi–English utterances (Kaldi-segmented)
Common Voice (Hindi / Indic)Crowdsourced Hindi read speech

Utterances were filtered to ~0.5–20 s. Original transcripts are mixed Devanagari + Latin.

Romanization of the targets (the key step)

The goal is Roman output. So every training target was converted to natural Roman before fine-tuning:

  • Devanagari spans → romanized with LIPI, a compact CTC Devanagari→Roman model that produces typed-Hinglish spellings (क्या → kya, है → hai, जो → jo), not academic IAST.
  • English (Latin) spans in the transcripts were left unchanged.

The model then learns audio → Roman end-to-end, so LIPI is only a data-prep tool and is not needed at inference.

Strengths

  • Natural romanized Hinglish output, ready to paste — no transliteration step downstream.
  • Handles code-switching within a sentence (Hindi ↔ English) in one pass.
  • Tiny & fast: real-time on CPU, sub-second on a modest GPU; ~150 MB fp32 (quantizes well).
  • Robust to Indian accents on short, clear, conversational/dictation-style audio.

Limitations

  • Small-model accuracy. Expect errors on noisy audio, fast speech, strong accents, overlapping speakers, or domain jargon.
  • English spelling drift. Uncommon English words can come out phonetically (crackers → crackers/crakers), since the training signal is Indian-accented and Hindi-weighted.
  • Romanization is phonetic, not canonical. Spellings follow how Hindi is typed and can vary (hai/hain, ki/kii). There is no single "correct" Roman spelling.
  • Short-form. Trained on ≤ ~20 s utterances; use chunk_length_s=30 for longer audio, quality on very long recordings is untested.
  • No reliable punctuation/casing. Output is lightly punctuated at best.
  • Language scope. Hindi + English + Hinglish (Indian). Other Indic languages are out of scope.
  • Domain. Read/prompted Indian speech; far-field, telephony, and heavy background noise are under-represented.

License

The model weights are released under the MIT License, the same as the base model openai/whisper-tiny. You can use, modify, and redistribute the model, including in commercial and free apps.

Training data

The model was fine-tuned on:

No dataset audio or transcripts are distributed with this model. MUCS is CC BY-SA 4.0. Whether ShareAlike terms carry over to model weights trained on such data is legally unsettled. If this matters for your use case, please review those terms yourself.

Citation

@misc{whisper-tiny-hinglish,
  title  = {Whisper-tiny Hinglish (Romanized)},
  author = {Abhishek Gautam},
  year   = {2026},
  note   = {Fine-tuned openai/whisper-tiny for romanized Hindi/English/Hinglish ASR;
            targets romanized with LIPI (https://github.com/ABHISHEKgauti25/lipi)}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
532ce51

0 моделей