/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Опубликована
18 июн 2026

whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06

Распознавание речиАудио → текст8 профессий

Дообученная на MiZonal v3.0 модель Whisper для распознавания речи с аугментацией скорости аудио.

10скачиваний за 30 дней0лайковвеса обновлены19 июл 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

Модель andrewbawitlung/whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06 разработана как дообученная версия openai/whisper-large-v3-turbo на наборе данных MiZonal v3.0. Это плотная модель Whisper для автоматического распознавания речи; размер составляет 905,2 млн параметров, веса опубликованы в формате safetensors.

Версия E3 обучалась с аугментацией скорости речи и предназначена для транскрибирования аудио. В README приведены результаты на оценочном наборе: WER 14,1847, CER 2,7327 и коэффициент реального времени 0,0546. Карточка не уточняет язык аудио, поэтому языковую поддержку и область применения по этим данным определить нельзя. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибирование аудиозаписей
  • распознавание речи в аудио с изменением темпа
  • получение текста из речевых записей

Ограничения

Язык и условия аудио, для которых модель проверена, в карточке не обозначены. Приведённые метрики относятся только к оценочному набору MiZonal v3.0.

Для каких профессий подходит8

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

Mizo Automatic Speech Recognition (ASR) Models v3.0

Disclaimer / Notice: Details for these are in Peer Review and publications of the paper will be made available soon for more details.

whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06

This model is a fine-tuned version of openai/whisper-large-v3-turbo on the MiZonal v3.0 dataset.

It achieves the following results on the evaluation set:

  • Wer: 14.1847
  • Cer: 2.7327
  • Real Time Factor: 0.0546

Quick Inference

import torch
import librosa
from transformers import WhisperProcessor, WhisperForConditionalGeneration

device = "cuda" if torch.cuda.is_available() else "cpu"

processor = WhisperProcessor.from_pretrained("andrewbawitlung/whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06")
model = WhisperForConditionalGeneration.from_pretrained("andrewbawitlung/whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06").to(device)

audio, sr = librosa.load("your_audio.wav", sr=16000)
input_features = processor(audio, sampling_rate=16000, return_tensors="pt").input_features.to(device)

with torch.no_grad():
    predicted_ids = model.generate(input_features, max_new_tokens=256)

transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)

Model description

Experiment Configurations

This repository is part of a series of experiments. The different configurations are:

  • E1 (Baseline): Standard training configuration.
  • E2 (Noise): Training with background noise augmentation.
  • E3 (Speed): Training with speed perturbation augmentation.
  • E4 (SpecAug): Training with SpecAugment (time and frequency masking).
  • E5 (Combined): Training with a combination of all augmentations.

All Models in this Family

ExperimentHugging Face Repository
E1 (Baseline)andrewbawitlung/whisper-large-v3-turbo-mizonal3-E1-lus-v2026.06
E2 (Noise)andrewbawitlung/whisper-large-v3-turbo-mizonal3-E2-lus-v2026.06
E3 (Speed)andrewbawitlung/whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06
E4 (SpecAug)andrewbawitlung/whisper-large-v3-turbo-mizonal3-E4-lus-v2026.06
E5 (Combined)andrewbawitlung/whisper-large-v3-turbo-mizonal3-E5-lus-v2026.06

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: OptimizerNames.ADAMW_TORCH_FUSED
  • lr_scheduler_type: SchedulerType.LINEAR
  • num_epochs: 8

Training results

stepepochtrain_losseval_losseval_wereval_cerlearning_rategrad_norm
2500.30360.45240.441630.38827.12474.98e-0610.7001
5000.60720.28720.323921.84494.87529.98e-068.0670
7500.91070.19440.278618.78953.98479.59e-064.7649
10001.21370.12110.268920.69676.14939.18e-064.6896
12501.51730.10100.258118.73116.03628.77e-064.2444
15001.82090.07400.245820.32698.87058.36e-063.2823
17502.12390.04730.259817.38833.54647.95e-063.7458
20002.42740.04020.267416.44454.13847.54e-062.7577
22502.73100.03340.273515.88013.33097.13e-062.9316
25003.03400.02080.277015.01413.18076.72e-061.7462
27503.33760.01880.279415.02383.20726.31e-061.9191
30003.64120.01330.276915.89963.72495.90e-061.2823
32503.94470.01390.293215.13093.38215.49e-062.2204
35004.24770.00840.298415.11143.22135.08e-060.8746
37504.55130.00800.294914.98493.43864.67e-061.8859
40004.85490.00690.299414.45953.07114.26e-061.2093
42505.15790.00340.297914.36222.99513.85e-060.9255
45005.46140.00320.298414.66383.62953.44e-060.0719
47505.76500.00240.304113.92432.86263.03e-060.0865
50006.06800.00160.307913.95352.85732.61e-060.0794
52506.37160.00160.303713.71022.83432.20e-060.1663
55006.67520.00060.307113.96323.41741.79e-060.5288
57506.97870.00110.313414.35243.52521.38e-060.0395
60007.28170.00120.313114.08973.51469.73e-070.0409
62507.58530.00040.313013.45722.76725.63e-070.0160
65007.88890.00060.314413.46702.77071.53e-070.0153

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
c60eed5

0 моделей