/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
9 июл 2026

whisper-medium-cv11

Распознавание речиАудио → текст

Мультиязычная модель Whisper для расшифровки речи в текст на 11 языках, дообученная на базе openai/whisper-medium.

9скачиваний за 30 дней0лайковвеса обновлены13 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

Whisper-Medium-CV11 — мультиязычная модель распознавания речи, разработанная Burak Aydin и дообученная на базе openai/whisper-medium. Она сохраняет исходную архитектуру Whisper и предназначена для преобразования речи в текст на 11 языках; модель также служит контрольной точкой для сравнения с вариантом, преобразованным из MHA в MLA. Веса доступны в формате safetensors, модель загружается через Transformers без trust_remote_code. Размер — 455,8 млн параметров.

Модель подходит для расшифровки записанной речи и оценки качества распознавания по отдельным языкам. В README приведены результаты тестирования на CommonVoice-17 для английского, немецкого и испанского; обучение проводилось на корпусе Whispered с проверкой на FLEURS и ориентировано на чтение вслух. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, арабский, грузинский, тайский, китайский и валлийский языки. Лицензия — Apache-2.0.

Сценарии применения

  • расшифровка записанной речи на русском языке
  • транскрибирование англоязычных аудиозаписей
  • распознавание речи на немецком, испанском и других поддерживаемых языках
  • сравнение качества базовой Whisper с вариантом, преобразованным из MHA в MLA

Ограничения

Обучение ориентировано на читаемую речь, поэтому качество на спонтанной речи и в шумных условиях не установлено. README приводит результаты только для части поддерживаемых языков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper-Medium-CV11 — 11 languages fine-tune, standard architecture (scientific control)

A plain openai/whisper-medium (unmodified architecture) fine-tuned on the 11 languages of the CC0 Whispered corpus. This is the matched scientific control for burakaydinofficial/whisper-medium-mla-cv11 — trained identically, minus the MHA→MLA conversion — published so the MLA conversion cost is independently reproducible. No custom code: loads directly in transformers, and — being a plain unmodified Whisper — is convertible for faster-whisper / CTranslate2 / whisper.cpp via their standard converters.

from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor
model = AutoModelForSpeechSeq2Seq.from_pretrained("burakaydinofficial/whisper-medium-cv11")   # no trust_remote_code
processor = AutoProcessor.from_pretrained("burakaydinofficial/whisper-medium-cv11")

Reproduce the conversion cost

Evaluate this control and whisper-medium-mla-cv11 on CommonVoice-17 (scripts/validate.py in the code repo); the per-language difference is the conversion cost reported on the MLA card and in docs/results/.

Results (CommonVoice-17 test, greedy, Whisper normalization + Arabic folding; CER for th/zh/ja)

Langthis control
en8.3 WER
de8.7 WER
es6.4 WER
fr13.4 WER
ru8.0 WER
tr13.1 WER
cy41.5 WER
ar23.9 WER
ka80.0 WER
th6.2 CER

Encoder frozen during fine-tuning; 15,000 steps, warmup+cosine, fp16. Read-speech domain (CommonVoice + FLEURS-validated). "Compression cost" does not apply to this unconverted control.

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
b500d72

0 моделей