/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
27 сен 2026

egyptian-ammiya-whisper

Распознавание речиАудио → текст

Дообученная Whisper-small для транскрибирования коротких аудиозаписей на разговорном египетском арабском.

33скачиваний за 30 дней0лайковвеса обновлены27 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

Egyptian Ammiya Whisper — модель автоматического распознавания речи, созданная дообучением OpenAI Whisper-small разработчиком adelnazmy2002. Она предназначена для транскрибирования разговорного египетского арабского языка (аммия) и лучше подходит для этой разновидности речи, чем базовая Whisper-small. Модель принимает аудио и выдаёт текстовую транскрипцию; она основана на архитектуре Whisper и содержит около 400 млн параметров.

Модель обучена на корпусе MAdel121/arabic-egy-cleaned из 82 881 пар аудио и транскрипций. Она рассчитана прежде всего на короткие высказывания и поддерживает стандартные способы запуска Whisper, включая Transformers и faster-whisper. Лицензия — MIT. Точность на других диалектах арабского языка ниже; корпус в основном состоял из коротких фрагментов египетской речи.

Сценарии применения

  • транскрибирование разговоров на египетском арабском
  • распознавание египетской речи в коротких аудиозаписях
  • создание текстовых субтитров для египетских видео
  • расшифровка египетских аудиоклипов

Ограничения

Качество распознавания на других арабских диалектах ниже. Модель оптимизирована для коротких высказываний, подобных фрагментам обучающего корпуса.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Egyptian Ammiya Whisper (Whisper-small)

Fine-tune of OpenAI Whisper-small (400M params) for Egyptian Arabic (Ammiya / colloquial) transcription.

Out-of-the-box Whisper performs poorly on Egyptian colloquial Arabic because it was trained mostly on Modern Standard Arabic and other dialects. This model was fine-tuned end-to-end on a large Egyptian Ammiya corpus and runs entirely on-device (tested on a single RTX 4070 Super, 16 GB).

Training data

Trained on MAdel121/arabic-egy-cleaned — a merged and cleaned corpus of Egyptian Arabic speech:

  • 82,881 audio–transcript pairs (~13 GB), 16 kHz mono
  • Sources: ~75.1k Egyptian Arabic speech lines (90.6%), ~4.7k Egyptian Arabic wav recordings, ~2.5k YouTube-collected Egyptian clips, ~630 scripted Egyptian audio clips
  • All clips ≤ 30 s (average ~2.5 s), duration-filtered with sanity-checked transcripts
  • 98/2 split → ~81.2k train / ~1.7k validation

Training details

Base modelopenai/whisper-small
HardwareSingle NVIDIA RTX 4070 Super (16 GB VRAM)
Epochs3 per 10k-sample subset, 9 sequential subsets (~244k sample views)
Batch size32 / device + 2 gradient accumulation steps
Learning rate1e-5, 5% warmup
Precisionbf16/fp16 mixed precision, TF32
MemoryGradient checkpointing, checkpoints every 500 steps

Because of limited local VRAM, the dataset was divided into 9 subsets of 10k samples and trained sequentially with resumable checkpoints.

Final validation loss: 0.488.

Usage

from transformers import WhisperProcessor, WhisperForConditionalGeneration, pipeline
import torch
processor = WhisperProcessor.from_pretrained(
    "adelnazmy2002/egyptian-ammiya-whisper",
    language="arabic",
    task="transcribe",
)
model = WhisperForConditionalGeneration.from_pretrained(
    "adelnazmy2002/egyptian-ammiya-whisper"
 )

asr_pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    device=0 if torch.cuda.is_available() else -1,
 )

result = asr_pipe(
    "data/Recording_4.mp3",
    generate_kwargs={"language": "arabic", "task": "transcribe"},
)
print(result["text"])

Or via faster-whisper / whisper pipelines — any standard Whisper inference path works, since this is a standard Whisper model checkpoint.

Notes

  • Best on Egyptian colloquial (Ammiya) speech; accuracy degrades on other Arabic dialects (expected).
  • Optimized for short utterances (the corpus clips average ~2.5 s).
  • Trained locally on consumer hardware — see the project write-up for the hardware-limits story.

License

MIT

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
ec83427

0 моделей