/ Модель

Характеристики

Контекст
1 024 токена
Параметры
29,4 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-tiny
Библиотека
transformers
Опубликована
22 апр 2025

whisper-tiny-fa

Распознавание речиАудио → текст4 профессии

Компактная модель Whisper, дообученная для распознавания персидской речи и преобразования аудио в текст.

54скачиваний за 30 дней1лайквеса обновлены26 июн 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

Whisper-tiny-fa — модель распознавания персидской речи, созданная дообучением openai/whisper-tiny авторами aictsharif на персидской части Common Voice 17.0. Она преобразует аудио в текст и предназначена для транскрибации записей и речи с микрофона, создания персидских субтитров и голосового управления приложениями. Модель построена на архитектуре encoder-decoder Transformer Whisper и содержит 29,4 млн параметров; для работы используется библиотека Transformers.

Модель рассчитана на персидский язык. В тестировании, описанном в карточке, указаны WER 0,915 и CER 0,428. Качество может снижаться на шумных записях, при акцентах и диалектах, слабо представленных в обучающих данных; модель может хуже распознавать другие языки и не подходит для сценариев со строгими требованиями к задержке. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация персидских аудиозаписей
  • распознавание речи с микрофона на персидском языке
  • создание персидских субтитров и скрытых титров
  • голосовое управление приложениями на персидском языке

Ограничения

Модель может хуже работать с другими языками, шумным аудио, а также с акцентами и диалектами, недостаточно представленными в обучающих данных. Карточка также отмечает, что модель не предназначена для сценариев со строгими требованиями к задержке; тестовый WER указан как 0,915, CER — 0,428.

Для каких профессий подходит4

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 Fa - Common Voice

This model is a fine-tuned version of openai/whisper-tiny on the Common Voice 17.0 dataset.

Model description

Whisper-tiny-fa is an automatic speech recognition model specifically adapted for Persian (Farsi) speech. It builds upon OpenAI’s Whisper-tiny architecture, leveraging transfer learning to specialize in transcribing Persian audio. The model is suitable for converting spoken Persian audio into text, enabling applications such as voice assistants, captioning, and speech-driven user interfaces.

  • Base model: openai/whisper-tiny
  • Fine-tuned on: Common Voice 17.0 Persian subset
  • Languages supported: Persian (Farsi)
  • Model type: Encoder-decoder transformer (speech-to-text)

Intended uses & limitations

Intended uses:

Transcribing Persian (Farsi) speech to text from audio files or microphone input. Voice-controlled applications and speech interfaces for Persian speakers. Generating subtitles and closed captions in Persian for audio/video content.

Limitations:

The model is fine-tuned for Persian and may perform poorly on other languages. Performance may degrade with low-quality or noisy audio, accents, or dialects not well represented in the training data. Not suitable for real-time applications with strict latency constraints due to model size and processing requirements.

Training and evaluation data

Dataset: Common Voice 17.0 (Persian subset) Data split: Training, validation, and test splits provided by Common Voice were used. Preprocessing: Audio files were resampled to 16kHz and normalized. Transcripts were cleaned and normalized to standard Persian orthography.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • training_steps: 4000
  • mixed_precision_training: Native AMP

Test results

  • Best test WER (Word Error Rate): 0.915
  • Best test CER (Character Error Rate): 0.428

Usage

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "aictsharif/whisper-tiny-fa"
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)
pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

result = pipe('sample.mp3')
print(result["text"])

Framework versions

  • Transformers 4.51.3
  • Pytorch 2.5.1+cu124
  • Datasets 3.5.0
  • Tokenizers 0.21.1

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
5cabeea

0 моделей