/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Опубликована
8 сен 2026

whisper-medium-karakalpak

Распознавание речиАудио → текст

Дообученная версия Whisper Medium для транскрибации каракалпакской речи в текст.

475скачиваний за 30 дней5лайковвеса обновлены11 окт 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

Whisper Medium Karakalpak — модель распознавания речи, разработанная Атaбеком Кадирбергеновым и командой проекта из специализированной школы имени Мухаммада аль-Хорезми в Нукусе. Это дообученная OpenAI Whisper Medium с архитектурой WhisperForConditionalGeneration; она адаптирована для расшифровки речи на каракалпакском языке. В README указано 764 млн параметров. Модель обучали на 93,7 часа записанной носителями каракалпакской речи из обучающей части Karakalpak Speech Corpus.

Модель преобразует аудио в текст и предназначена для создания транскрипций, голосовых интерфейсов и образовательных инструментов для каракалпакского языка. На тестовом наборе из 1 074 высказываний показатель WER составил 10,66% при жадном декодировании, 9,94% с поиском по 5 лучам и 9,47% с поиском по лучам и включённой в репозиторий 4-граммной языковой моделью. Скорость обработки на CPU заметно ниже, чем на GPU; авторы рекомендуют для CPU более компактные дистиллированные версии.

Репозиторий распространяется по лицензии Apache-2.0. Результаты тестирования относятся к данным того же предметного домена и конвейера записи, что использовались при обучении, поэтому качество на других типах аудио может отличаться. Для декодирования с языковой моделью нужны дополнительные настройки, описанные в README.

Сценарии применения

  • Транскрибация записанной речи на каракалпакском языке
  • Создание каракалпакских субтитров для аудио и видео
  • Распознавание речи для каракалпакских голосовых интерфейсов
  • Подготовка текстовых расшифровок каракалпакских учебных материалов

Ограничения

Оценка выполнена на внутридоменном тестовом наборе, поэтому качество на речи из других источников может отличаться. При жадном декодировании WER составил 10,66%; обработка на CPU существенно медленнее, чем на GPU.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🎙️ Whisper Medium Fine-Tuned for Karakalpak (Qaraqalpaqsha)

📄 Paper: Karakalpak Speech Recognition with Whisper: An Open 107-Hour Corpus, a Held-Out Benchmark, and Knowledge Distillation into Smaller Models (Zenodo, DOI 10.5281/zenodo.23291730)

This repository contains OpenAI Whisper Medium fine-tuned on the training split of the Karakalpak Speech Corpus (93.7 h of native Karakalpak read speech). The validation split was used only to pick the checkpoint and the test split was scored once.

DecodingTest WER (95% CI)Test CER
greedy10.66 (10.03–11.36)3.83
beam search (5 beams)9.94 (9.39–10.48)3.42
beam search + 4-gram LM (included in this repo)9.47 (8.96–9.99)3.30

Smaller, faster versions distilled from this model: whisper-small-karakalpak (242M) and whisper-base-karakalpak (73M).


🎯 Project Mission: Preserving the Karakalpak Language

In modern artificial intelligence, low-resource languages face a real risk of digital exclusion. Without public datasets and dedicated models, voice assistants, speech-to-text engines, and educational tools remain unavailable to native speakers.

Our project addresses this divide by:

  1. Preserving and revitalizing the Karakalpak language: building an open, large-scale ASR baseline.
  2. Promoting AI for Social Good: Showing how youth-led initiatives can solve regional and linguistic technology gaps.

👥 Project Leadership & Team (Muhammad al-Khwarizmi Specialized School, Nukus)

This initiative was founded and spearheaded by Atabek Kadirbergenov, who assembled and led a student research team from the Muhammad al-Khwarizmi Specialized School in Nukus:

  • Atabek Kadirbergenov — Founder, Project Lead & AI/ML Engineer
    Responsibilities: Conceived and founded the initiative, assembled the research team, pitched school leadership to secure GPU computing resources, designed the end-to-end data pipeline and phonetic text normalization algorithms, led Whisper-Medium fine-tuning, benchmarked evaluations, and managed the open-source release.
    Telegram: @atik_uwu | GitHub

  • Sanjar Tleumuratov — Telegram Bot, Systems & Data Moderation Lead
    Responsibilities: Crowdsourcing bot architecture, backend server infrastructure, contributor administration, submission quality moderation (filtering invalid/spam recordings), and audio ingestion pipeline.
    Telegram: @Sanjar030609 | LinkedIn

  • Dauitbay Nasiredinov — Media, Outreach & PR Lead
    Responsibilities: Regional public relations, community engagement, promotional video production, editing, and mobilizing 200+ native contributors.
    Telegram: @Dawitbay_Nasiratdinov | LinkedIn

  • Shohjahon Isroilov (Tashkent Presidential School) — AI/ML Engineering & Data Validation
    Responsibilities: AI/ML engineering support across model training and evaluation, and validation of the collected speech data.
    Telegram: @nottakene | GitHub

  • Rasul Zinatdinov — Data Validation & Proofreading
    Responsibilities: Validation of submitted recordings and proofreading of the dataset transcripts.
    Telegram: @gerrorttx | LinkedIn


🙏 Acknowledgements

We express our deepest gratitude to:

  • Muhammad al-Khwarizmi Specialized School (Nukus): For GPU computing infrastructure and for actively supporting our initiative across the academic community (Official School Announcement).
  • The Karakalpak Community: All 200+ contributors across Karakalpakstan who recorded and donated their voices.
  • Kaggle: this model was trained on Kaggle's free GPU tier.

📊 Results

Scored on the test split (1,074 utterances, 5.3 h) and the validation split, with the same normalisation for every system: lower-cased, punctuation removed, news-agency byline ÓzA removed from references and hypotheses. 95% confidence intervals from a 1,000-sample bootstrap.

SplitDecodingWER (95% CI)CERMedian utterance WER
Validationgreedy10.23 (9.58–10.88)3.618.11
Testgreedy10.66 (10.03–11.36)3.838.33
Validationbeam 5 + 4-gram LM9.20 (8.60–9.80)3.21
Testbeam 5 + 4-gram LM9.47 (8.96–9.99)3.30

Speed (real-time factor = processing time ÷ audio length, greedy): 0.023 on one NVIDIA T4 GPU (fp16), 1.28 on a 4-core CPU at batch size 1. For CPU use, see the distilled whisper-small-karakalpak (RTF 0.47).


🥇 Comparison with other Karakalpak ASR systems (test split, greedy decoding)

ModelParamsWER % (95% CI)CER %Notes
whisper-medium-karakalpak (this model)764M10.66 (10.03–11.36)3.839.47 / 3.30 with beam search + LM
facebook/mms-1b-all, kaa adapter965M50.39 (49.41–51.33)13.16Cyrillic output transliterated to Karakalpak Latin before scoring
Quyashbek/whisper-medium-karakalpak764M65.29 (64.14–66.55)20.58training data undisclosed; best of uz/kk language token
Quyashbek/wav2vec2-xls-r-300m-karakalpak315M88.00 (87.32–88.68)34.09training data undisclosed
openai/whisper-medium, zero-shot764M91.27 (89.71–93.12)37.93auto-detected Kazakh; output transliterated
openai/whisper-large-v3, zero-shot1543M97.75 (96.23–99.49)37.69uz proxy token; Karakalpak is not a Whisper language

This test set is in-domain for our model (same text sources and recording pipeline as its training data) and out-of-domain for every other system, so the gap reflects domain match as well as model quality.


⚙️ Training Details

  • Data: train split only, 19,255 utterances (93.7 h) after removing clips over 30 s
  • Base model: openai/whisper-medium (764M parameters)
  • Language token: uz (Karakalpak is not a Whisper language; a kk + Cyrillic ablation made no consistent difference)
  • Recipe: 6 epochs, effective batch 32, learning rate 1.5e-5 with 500 warm-up steps and linear decay, weight decay 0.01, 8-bit AdamW, fp16, gradient checkpointing, SpecAugment
  • Checkpoint selection: lowest validation WER, evaluated every 500 steps (best: step 2,500, epoch 4.2)
  • Hardware: 2× NVIDIA T4 (Kaggle), 9.8 h

🚀 Quick Start

import torch
from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="atikuwu/whisper-medium-karakalpak",
    torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32,
    device="cuda:0" if torch.cuda.is_available() else "cpu",
)

# Always pass language="uz" (the proxy token used in training). Keep timestamps off.
result = pipe("sample_audio.ogg", generate_kwargs={"task": "transcribe", "language": "uz"})
print(result["text"])

Add "num_beams": 5 to generate_kwargs for beam search (9.94% test WER instead of 10.66%).

Beam search with the 4-gram language model (9.47% test WER)

lm/kaa-4gram.arpa is a word 4-gram (modified Kneser–Ney, KenLM) trained on the normalised training transcripts only. code/kaa_asr.py contains ArpaLM (a dependency-free ARPA reader) and LMFusion (a LogitsProcessor for shallow fusion):

import sys; sys.path.insert(0, "code")          # after downloading this repo
from transformers import LogitsProcessorList
from kaa_asr import ArpaLM, LMFusion

lm = ArpaLM("lm/kaa-4gram.arpa")
fusion = LogitsProcessorList([LMFusion(lm, pipe.tokenizer, alpha=0.1, beta=1.0)])
result = pipe("sample_audio.ogg", generate_kwargs={"task": "transcribe", "language": "uz",
                                                     "num_beams": 5, "logits_processor": fusion})

alpha=0.1, beta=1.0 were tuned on validation for this model. In our evaluation, outputs with a gzip compression ratio above 2.4 (repetition loops, 0–1 per 1,074 utterances) were re-decoded greedily without the LM.


📂 Repository contents

  • model.safetensors, configs, tokenizer: the fine-tuned model
  • lm/kaa-4gram.arpa: 4-gram language model (train transcripts only)
  • code/: training, distillation and evaluation code used for these results (Kaggle kernels)
  • eval/: scripts used for the comparison with other systems

📜 Citation

@misc{kadirbergenov2026karakalpakasr,
  title={Karakalpak Speech Recognition with Whisper: An Open 107-Hour Corpus, a Held-Out Benchmark, and Knowledge Distillation into Smaller Models},
  author={Kadirbergenov, Atabek and Tleumuratov, Sanjar and Nasiredinov, Dauitbay and Isroilov, Shohjahon},
  year={2026},
  publisher={Zenodo},
  doi={10.5281/zenodo.23291730},
  url={https://zenodo.org/records/23291730}
}

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
78f6c5e

0 моделей