/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
3 июл 2026

whisper-small-cv11

Распознавание речиАудио → текст10 профессий

Дообученная мультиязычная Whisper Small для транскрибирования речи на 11 языках, включая русский.

13скачиваний 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-Small-CV11 — мультиязычная модель распознавания речи, созданная Burak Aydın путём дообучения стандартной архитектуры OpenAI Whisper Small на корпусе Whispered. Она содержит 153,1 млн параметров и предназначена для транскрибирования аудиозаписей на 11 языках. Модель работает в Transformers и совместима с обычными инструментами для Whisper; для загрузки не требуется доверять дополнительному коду репозитория.

При оценке на CommonVoice 17 модель показала более низкий WER, чем исходная Whisper Small, на 10 из 11 языков; README приводит результаты для английского, немецкого и испанского. Обучение сохраняло замороженным энкодер и использовало 15 000 шагов. Модель подходит для расшифровки записанной речи с бытовых микрофонов, в том числе при фоновом шуме.

Модель рассчитана на английский, немецкий, испанский, французский, русский, турецкий, арабский, грузинский, тайский, китайский и валлийский языки. Лицензия — Apache 2.0. По заявлению авторов, дообучение снижает качество для других языков Whisper; грузинский вариант на уровне Whisper Small не пригоден для использования. Качество на дальней речи, телефонном аудио 8 кГц и перекрывающейся речи не оценивалось.

Сценарии применения

  • расшифровка русскоязычных аудиозаписей
  • транскрибирование подкастов и интервью на поддерживаемых языках
  • распознавание речи в записях с бытовых микрофонов и фоновым шумом

Ограничения

Дообучение ухудшает поддержку языков, не входивших в набор из 11 языков; авторы отдельно предупреждают, что грузинский вариант на уровне Whisper Small непригоден. Модель не оценивали на дальней речи, телефонном аудио 8 кГц и речи с перекрытием.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper-Small-CV11 — 11-language fine-tune, standard architecture, loads anywhere

A plain openai/whisper-small (unmodified architecture) fine-tuned on 11 languages of the CC0 Whispered corpus (32k clips/language, ~350 h). No custom code — works in transformers, faster-whisper, CTranslate2, whisper.cpp conversions, anywhere a Whisper checkpoint works.

It is also the scientific control for the WhisperMLA release (trained identically to the MLA variants, minus the conversion) — which makes its numbers directly comparable to theirs.

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

Results (CommonVoice-17 test, n=1500/lang, greedy, Whisper normalization + Arabic folding)

Langstock whisper-smallthis modelmetric
en11.712.2WER %
de15.415.0WER %
es12.19.7WER %
fr22.919.2WER %
ru17.313.6WER %
tr25.220.9WER %
cy74.260.7WER %
ar48.435.6WER %
th19.711.3CER %
zh34.414.9CER %
ka178.086.2WER % (unusable in both — model-class floor)

Better than stock on 10 of 11 languages (−0.5 on en). Encoder frozen during fine-tuning (the multilingual encoder is preserved); 15,000 steps, warmup+cosine, dev-checkpoint-selected; bf16.

Limitations

  • Coverage = these 11 languages; fine-tuning erodes Whisper's other ~88 (unseen scripts most — measured in the accompanying study). Use stock Whisper for languages far from this set.
  • Georgian (ka) reported for transparency; not usable at the whisper-small tier.
  • Read-speech domain (CommonVoice + FLEURS-validated); not benchmarked on far-field/telephony.

Acoustic conditions of the evaluation

Evaluated on crowdsourced consumer-microphone recordings with real environmental noise — traffic, room reverb, variable devices — CommonVoice's native conditions, not studio audio. The numbers above already include that heterogeneity. Not yet benchmarked: far-field, telephony (8 kHz), overlapping speech.

(Note: this is the unconverted control — it has no MHA→MLA conversion, so "compression cost" does not apply to it. The SNR-robustness-of-compression result lives on the MLA cards, where it is measured as MLA-vs-this-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
3031e9c

0 моделей