/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
MIT
Архитектура
whisper · dense
Опубликована
16 янв 2024

distill-whisper-th-medium

Распознавание речиАудио → текст3 профессии

Компактная дистиллированная модель Whisper для распознавания тайской речи и преобразования её в текст.

264скачиваний за 30 дней3лайкавеса обновлены2 апр 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

biodatlab разработала компактную модель автоматического распознавания речи на архитектуре Whisper, полученную дистилляцией Whisper Medium. В ней 455,8 млн параметров и 4 слоя декодера вместо 24 у модели-учителя. Модель предназначена для распознавания тайской речи и может использоваться в приложениях, преобразующих тайскую речь в текст.

При дистилляции использовались Common Voice v13, Gowajee, Thai Elderly Speech Corpus, пользовательские собранные данные и корпус тайских диалектов Thai-Central из SLSCU Thai Dialect Corpus. На тестовой выборке Common Voice 13 показатель WER с токенизацией DeepCut составил 7,58% против 7,42% у модели-учителя Whisper Medium. Модель распространяется под лицензией MIT.

Модель может хуже распознавать другие языки и речь на диалектах или с акцентами, отличными от обучающих данных. На точность также влияют фоновый шум и разборчивость речи.

Сценарии применения

  • транскрибация тайских аудиозаписей
  • распознавание речи в приложениях на тайском языке
  • расшифровка тайских интервью и разговоров
  • распознавание тайской речи с центральным диалектом

Ограничения

Модель ориентирована на тайский язык и может хуже работать с другими языками, диалектами и акцентами. Фоновый шум и низкая разборчивость речи могут снижать точность распознавания.

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

Distilled Medium Whisper ASR Model for Thai

Model Description

This is a distilled Automatic Speech Recognition (ASR) model, based on the Whisper architecture. It has been specifically tailored for Thai language speech recognition. The model features 4 decoder layers (vs 24 in teacher model) and has been distilled from a larger teacher model, focusing on enhancing performance and efficiency.

Distillation Details

  • Teacher Model: Medium Whisper ASR model
  • Datasets Used for Distillation:
    • Common Voice v13
    • Gowajee
    • Thai Elderly Speech Corpus
    • Custom Scraped Data
    • Thai-Central Dialect from SLSCU Thai Dialect Corpus

Model Performance

  • DeepCut Tokenized WER on Common Voice 13 Test Set:
    • Distilled Model: 7.58%
    • Teacher Model: 7.42%

Additional datasets for distillation or more decoder layers might improve the WER. More to come soon!

Intended Use

This model is intended for use in applications requiring Thai language speech recognition.

Limitations

  • The model is specifically trained for the Thai language and may not perform well with other languages.
  • Performance might vary across different Thai dialects and accents.
  • As with any ASR system, background noise and speech clarity can impact recognition accuracy.

Acknowledgments

This model was developed using resources and datasets provided by the speech and language technology community. Special thanks to the teams behind Common Voice, Gowajee, SLSCU, and the Thai Elderly Speech Corpus for their valuable datasets.

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.1.2
  • Datasets 2.16.1
  • Tokenizers 0.15.0

Contributors

Citation

Cite using Bibtex:

@inproceedings{aung-etal-2024-thonburian,
    title = "Thonburian Whisper: Robust Fine-tuned and Distilled Whisper for {T}hai",
    author = "Aung, Zaw Htet  and
      Thavornmongkol, Thanachot  and
      Boribalburephan, Atirut  and
      Tangsriworakan, Vittavas  and
      Pipatsrisawat, Knot  and
      Achakulvisut, Titipat",
    editor = "Abbas, Mourad  and
      Freihat, Abed Alhakim",
    booktitle = "Proceedings of the 7th International Conference on Natural Language and Speech Processing (ICNLSP 2024)",
    month = oct,
    year = "2024",
    address = "Trento",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2024.icnlsp-1.17",
    pages = "149--156",
}

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
76a1b22

0 моделей