/ 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-E5-lus-v2026.06

Распознавание речиАудио → текст8 профессий

Дообученная на MiZonal v3.0 модель Whisper large-v3-turbo для распознавания речи с сочетанием аугментаций шума, скорости и SpecAugment.

26скачиваний 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-E5-lus-v2026.06 — экспериментальная дообученная версия Whisper large-v3-turbo на наборе данных MiZonal v3.0. Конфигурация E5 объединяет аугментации фонового шума, изменения скорости речи и SpecAugment с маскированием по времени и частоте. Модель предназначена для автоматического распознавания речи; заявлены WER 13,8215, CER 2,6263 и коэффициент реального времени 0,0540 на оценочном наборе.

Модель содержит 905,2 млн параметров, принимает аудио и выдаёт текст. Базовая Whisper large-v3-turbo — мультиязычная модель для распознавания речи и перевода аудио в текст; карточка этой производной описывает оценку распознавания на MiZonal, но не уточняет язык аудио. Опубликованные сведения о результатах помечены как предварительные: подробности рецензирования и публикации ожидаются. Лицензия — Apache-2.0.

Сценарии применения

  • автоматическая транскрибация аудиозаписей
  • распознавание речи в аудио с фоновым шумом
  • распознавание речи при изменённой скорости воспроизведения

Ограничения

Показатели WER, CER и скорости приведены для оценочного набора MiZonal и могут не отражать качество на других данных. Язык оценочного аудио в карточке не уточнён; сведения о результатах обозначены как предварительные.

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-E5-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: 13.8215
  • Cer: 2.6263
  • Real Time Factor: 0.0540

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-E5-lus-v2026.06")
model = WhisperForConditionalGeneration.from_pretrained("andrewbawitlung/whisper-large-v3-turbo-mizonal3-E5-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
2500.22770.63240.464031.77977.33674.98e-0612.9801
5000.45540.39510.316523.90785.12629.98e-069.2164
7500.68310.29090.273419.90854.12259.70e-069.4305
10000.91070.22160.250118.06953.75149.40e-067.3999
12501.13840.15710.226316.06503.28679.10e-065.7364
15001.36610.13840.238815.92883.29738.79e-067.9211
17501.59380.12670.228515.31583.24608.49e-066.6193
20001.82150.10260.230415.23793.12778.19e-064.8834
22502.04920.06860.232315.82173.97057.89e-062.6450
25002.27690.06810.226714.93633.16127.59e-065.5804
27502.50460.06320.233414.63462.98287.29e-064.5015
30002.73220.05920.237713.93402.78316.98e-063.9216
32502.95990.05230.239813.95352.90156.68e-061.9478
35003.18760.03860.242514.74173.04466.38e-062.8374
37503.41530.03660.251914.41082.85206.08e-063.2853
40003.64300.03240.256014.47892.97045.78e-063.7112
42503.87070.03340.245713.35992.70535.47e-064.6839
45004.09840.02700.249113.73942.87505.17e-061.2767
47504.32600.02500.248013.24322.71064.87e-062.7142
50004.55370.02490.255513.53512.74774.57e-061.4408
52504.78140.02190.258214.04113.04814.27e-062.2743
55005.00910.02300.257213.03882.68943.97e-064.3055
57505.23680.01910.259513.89512.90323.66e-061.9485
60005.46450.01720.261713.00962.67713.36e-062.3269
62505.69220.01670.255613.21402.79013.06e-061.3072
65005.91990.01590.259112.65932.70182.76e-061.2552
67506.14750.01440.265313.09722.62762.46e-061.5865
70006.37520.01270.257812.76642.55872.15e-061.7085
72506.60290.00980.267212.84422.58871.85e-060.7853
75006.83060.01160.259812.55232.48801.55e-060.7284
77507.05830.01050.260312.68852.54631.25e-061.8309
80007.28600.00850.262812.55232.48099.48e-072.5387
82507.51370.00870.262812.68852.53576.46e-071.0704
85007.74130.00570.261012.58152.51983.44e-070.9892
87507.96900.00910.262812.56202.52694.23e-080.6342

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
bf0eea7

0 моделей