/ Модель

Характеристики

Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
6 июл 2026

tibetan-asr-nict-tib1-whisper-small

Распознавание речиАудио → текст3 профессии

Whisper Small, дообученная для автоматической транскрипции современной лхасской тибетской речи.

242скачиваний за 30 дней0лайковвеса обновлены27 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 billingsmoore/tibetan-asr-nict-tib1-whisper-small разработана для распознавания тибетской речи и создана полным дообучением Whisper Small от OpenAI. Это модель encoder–decoder на базе Transformer с 153,1 млн параметров, предназначенная для преобразования аудио в текст на лхасском тибетском языке.

Модель дообучена на корпусе NICT-Tib1 с записями чтения новостных текстов 20 дикторами. В исследовании она показала лучшие результаты среди 14 сравнивавшихся конфигураций на тестовом наборе NICT-Tib1 по символьным, слоговым и сегментированным словным метрикам. Её можно использовать через pipeline automatic-speech-recognition в библиотеке Transformers.

Оценка охватывает только современный лхасский тибетский язык и чтение новостных текстов. Качество на диалектах Амдо и Кхам, классическом тибетском и спонтанной разговорной речи не установлено; тест включал записи лишь трёх дикторов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация записей чтения новостных текстов на лхасском тибетском
  • распознавание тибетской речи из аудиофайлов
  • создание текстовых расшифровок для корпуса тибетской речи

Ограничения

Обучение и оценка проводились на чтении новостных текстов на современном лхасском тибетском; качество для диалектов Амдо и Кхам, классического тибетского и спонтанной речи не установлено. Тестовый набор включал только трёх дикторов, поэтому результаты могут ограниченно отражать разнообразие говорящих.

Для каких профессий подходит3

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 Small — Tibetan ASR (full fine-tune)

Fine-tuned openai/whisper-small for automatic speech recognition (ASR) on Lhasa Tibetan, released alongside:

J. Moore, S. Li and P. Lauren, "Evaluating Tibetan ASR With Segmented Word Error Rate: Beyond Character-Level Metrics," in IEEE Access, vol. 14, pp. 101790-101805, 2026, doi: 10.1109/ACCESS.2026.3709206.

This repo is one of 14 model checkpoints released with the paper, benchmarking 5 ASR architectures (Whisper Tiny/Base/Small, Wav2Vec 2.0 Base, HuBERT Base) under full fine-tuning, LoRA, and QLoRA (8-bit/4-bit) adaptation. See billingsmoore/tibetan-asr-nict-tib1-* for the full set.

Model description

Whisper is an encoder–decoder transformer, originally pre-trained by OpenAI on 680,000 hours of weakly-labeled multilingual speech-text data, fine-tuned here for sequence-to-sequence Tibetan transcription. This checkpoint uses full fine-tuning (all parameters updated, no quantization or adapters).

Training data

Fine-tuned on NICT-Tib1, a corpus of transcribed Lhasa Tibetan speech from 20 speakers (Soky, Gong & Li, 2022). The data was split by speaker (85/15, not by utterance) so that no speaker appears in both splits: 15,099 training utterances from 17 speakers, 1,547 test utterances from the remaining 3 speakers.

Training procedure

  • Base model: openai/whisper-small
  • Learning rate: 1.25e-5
  • Max steps: 4000 (warmup 500)
  • Effective batch size: 16 (per-device batch size 2, gradient accumulation 8)
  • Mixed precision: fp16, with gradient checkpointing
  • Generation max length: 225

Evaluation results

Evaluated on the 1,547-utterance NICT-Tib1 test set under five metrics: Character Error Rate (CER), Syllable Error Rate (SER), and three Segmented Word Error Rate (SWER) variants using different automatic word segmenters (BoTok-SWER, BERT-SWER, and Gem-SWER, the last computed on a 500-utterance subset for API cost reasons). All values are micro-averaged. See the paper for full bootstrap confidence intervals.

MetricValue
CER (micro)0.1185
SER (micro)0.1692
BoTok-SWER (micro)0.2042
BERT-SWER (micro, full 1,547-utt. test set)0.086
Gem-SWER (micro, 500-utt. subset)0.5337

This configuration achieved the best score on every metric (CER, SER, and all three SWER variants) among all 14 models benchmarked in the paper.

Full model family comparison (standard fine-tuning)

ModelRepoCERSERBoTok-SWERBERT-SWERGem-SWER
HuBERT Basetibetan-asr-nict-tib1-hubert-base0.13520.36900.44770.1610.9653
Wav2Vec 2.0 Basetibetan-asr-nict-tib1-wav2vec2-base0.07450.21520.27470.0970.7447
Whisper Tinytibetan-asr-nict-tib1-whisper-tiny0.15600.23510.29750.1180.6759
Whisper Basetibetan-asr-nict-tib1-whisper-base0.14170.20830.26000.1050.6314
Whisper Smalltibetan-asr-nict-tib1-whisper-small0.11850.16920.20420.0860.5337

How to use

from transformers import pipeline

pipe = pipeline("automatic-speech-recognition", model="billingsmoore/tibetan-asr-nict-tib1-whisper-small")
result = pipe("path/to/audio.wav")
print(result["text"])

Limitations

  • Trained and evaluated only on read-speech, modern Lhasa (Central) Tibetan news recordings; performance on Amdo or Kham dialects, Classical Tibetan, or spontaneous/conversational speech is unknown.
  • The test set contains only 3 speakers (by design, to prevent speaker leakage), which limits how confidently results generalize across speaker, age, and prosodic variation.
  • CER alone understates errors that matter at the word level for Tibetan; see the paper for why SER and SWER are necessary complements when judging output quality.

Citation

If you use this model, please cite the paper and the source NICT-Tib1 corpus:

@ARTICLE{11592371,
  author={Moore, Jacob and Li, Sheng and Lauren, Paula},
  journal={IEEE Access},
  title={Evaluating Tibetan ASR With Segmented Word Error Rate: Beyond Character-Level Metrics},
  year={2026},
  volume={14},
  number={},
  pages={101790-101805},
  keywords={Modeling;Automatic speech recognition;Error analysis;LoRa;Measurement;Ranking (statistics);Quantization (signal);Bit error rate;Standards;Training;Tibetan;automatic speech recognition;word error rate;low-resource language},
  doi={10.1109/ACCESS.2026.3709206}
}

@inproceedings{soky2022nict,
  title={Nict-tib1: A public speech corpus of lhasa dialect for benchmarking tibetan language speech recognition systems},
  author={Soky, Kak and Gong, Zhuo and Li, Sheng},
  booktitle={2022 25th Conference of the Oriental COCOSDA International Committee for the Co-ordination and Standardisation of Speech Databases and Assessment Techniques (O-COCOSDA)},
  pages={1--5},
  year={2022},
  organization={IEEE}
}

License

Released under Apache License 2.0, inherited from the base model openai/whisper-small.

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
f4ef36b

0 моделей