/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Опубликована
14 июн 2026

whisper-small-mizonal3-E5-lus-v2026.06

Распознавание речиАудио → текст4 профессии

Дообученная на MiZonal v3.0 модель Whisper Small для распознавания речи на языке Lusoga.

9скачиваний 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

Это дообученная модель автоматического распознавания речи, созданная Andrew Bawitlung на основе openai/whisper-small и обученная на наборе MiZonal v3.0. В версии набора добавлен примерно час разговорной речи. Модель содержит 153,1 млн параметров и принимает аудио, выдавая его текстовую расшифровку; эксперимент E5 использует комбинированные аугментации: шум, изменение скорости и SpecAugment.

Модель предназначена для транскрибирования речи на языке Lusoga (код lus), в том числе разговорной речи. На тестовом наборе автор сообщает WER 21,06, CER 7,30 и коэффициент реального времени 0,0263. Модель распространяется по лицензии Apache-2.0. README указывает, что подробности экспериментов и публикация находятся на этапе подготовки к рецензированию.

Сценарии применения

  • Транскрибирование разговорной речи на Lusoga
  • Преобразование аудиозаписей на Lusoga в текст
  • Пакетная расшифровка аудио для создания субтитров на Lusoga

Ограничения

В README приведены метрики только для оценочного набора, поэтому качество на других данных не установлено. Модель ориентирована на Lusoga; подробности экспериментов и публикация ещё готовятся.

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

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-small-mizonal3-E5-lus-v2026.06

This model is a fine-tuned version of openai/whisper-small on the MiZonal v3.0 dataset. Note: ~1 hour of conversational speech was added to this dataset version.

It achieves the following results on the evaluation set:

  • Wer: 21.0562
  • Cer: 7.2973
  • Real Time Factor: 0.0263

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-small-mizonal3-E5-lus-v2026.06")
model = WhisperForConditionalGeneration.from_pretrained("andrewbawitlung/whisper-small-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-small-mizonal3-E1-lus-v2026.06
E2 (Noise)andrewbawitlung/whisper-small-mizonal3-E2-lus-v2026.06
E3 (Speed)andrewbawitlung/whisper-small-mizonal3-E3-lus-v2026.06
E4 (SpecAug)andrewbawitlung/whisper-small-mizonal3-E4-lus-v2026.06
E5 (Combined)andrewbawitlung/whisper-small-mizonal3-E5-lus-v2026.06

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • 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
2500.230.65670.591739.5814.601.49e-047.39
5000.460.73080.731645.9926.322.99e-047.13
7500.680.57560.666334.6314.252.91e-044.82
10000.910.46540.605334.8515.922.82e-044.24
12501.140.35190.608829.5611.892.73e-044.16
15001.370.29950.600228.5310.572.64e-043.88
17501.590.27290.588627.6110.262.55e-042.98
20001.820.21570.570127.1111.452.46e-043.24
22502.050.17390.588227.5611.582.37e-042.42
25002.280.15980.603727.0110.172.28e-042.60
27502.500.14590.584126.7610.502.19e-041.83
30002.730.13130.603126.3710.502.10e-041.71
32502.960.11140.618925.159.342.00e-041.42
35003.190.09470.628726.8910.821.91e-041.46
37503.420.08540.622424.969.191.82e-041.21
40003.640.08010.625724.198.601.73e-041.37
42503.870.07540.627524.8410.091.64e-041.38
45004.100.05360.636624.429.311.55e-041.81
47504.330.04800.630822.798.381.46e-041.78
50004.550.04450.639922.498.401.37e-040.92
52504.780.04180.645022.367.971.28e-041.82
55005.010.03350.630321.827.971.19e-040.80
57505.240.02640.638421.997.751.10e-040.57
60005.460.02560.629721.517.731.01e-040.95
62505.690.02150.609020.707.229.18e-050.55
65005.920.02060.625321.007.528.27e-050.69
67506.150.01290.636620.997.377.37e-050.88
70006.380.01390.625821.117.396.46e-050.66
72506.600.01230.621020.116.715.56e-050.35
75006.830.00950.621520.026.564.65e-050.43
77507.060.00700.626019.956.553.75e-050.48
80007.290.00670.636119.376.442.84e-050.27
82507.510.00540.637719.706.621.94e-050.05
85007.740.00560.629119.616.561.03e-050.59
87507.970.00500.630319.406.541.27e-060.27

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
e5cadcd

0 моделей