/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Опубликована
27 июл 2026

whisper-large-v3-synthetic-20k-matched-psd_snrm10_drv6_o4

Распознавание речиАудио → текст3 профессии

Дообученная на синтетических данных версия Whisper large-v3 для распознавания англоязычного радиообмена авиационного управления.

170скачиваний 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

Это дообученная модель распознавания речи на базе OpenAI Whisper large-v3, разработанная для транскрибации радиообмена в авиационном управлении воздушным движением. Обучение проводилось только на 20 000 синтетических реплик ATC с имитацией узкополосного VHF-шума; реальные аудиозаписи радиообмена в обучении не использовались. Модель принимает аудио и выдаёт текст, а указанная в примере настройка предназначена для распознавания английской речи.

В оценке на трёх реальных европейских наборах данных модель показала WER 31,9% на airbus, 30,6% на atco2 и 41,1% на uwb; результаты лучше дообученной на реальных данных версии на airbus и сопоставимы на atco2. Показатели заметно различаются между наборами, поэтому качество зависит от условий и состава радиообмена. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • Транскрибация переговоров пилотов и авиадиспетчеров
  • Распознавание команд ATC в шумном VHF-радиоканале
  • Создание текстовых протоколов радиообмена
  • Извлечение позывных и команд из записей авиационной связи

Ограничения

На тестовом наборе uwb глобальная WER составила 41,1%, а распознавание позывных на airbus имело recall 51,6%; качество может различаться в зависимости от набора и условий радиообмена. Обучение проводилось только на синтетической речи, поэтому возможен разрыв с реальными условиями, несмотря на результаты приведённой оценки.

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-large-v3 fine-tuned on fully synthetic ATC speech (STEAK v2)

openai/whisper-large-v3 fine-tuned only on synthetic air-traffic-control speech — no real ATC audio was used for training. It nonetheless beats a real-ATCO2 fine-tune on two of three real European test sets.

Training data (all parameters)

  • Corpus: STEAK v2, fully synthetic. Texts generated from a 119-command-type ATC-exchange ontology (scraped European registries: 8,147 airline telephonies, 11,134 waypoints, ~2,500 controller stations), voiced by LongCat-AudioDiT-3.5B voice cloning on verified, TF-IDF-matched LiveATC prompt clips, then passed through a parametric VHF-noise chain psd_snrm10_drv6_o4 (PSD noise @ SNR −10 dB → soft-clip drive 6 → Butterworth order 4, 250–3600 Hz, 16 kHz).
  • Prompt pairing: matched (each generated text is paired with the closest verified LiveATC clip by cosine TF-IDF, Hungarian assignment without replacement).
  • Volume / budget: 20,000 distinct utterances seen once (1 pass), drawn from a 110,000-utterance matched pool — 1,250 optimiser steps, effective batch 16. This early-stop point is the best checkpoint: a full pass (6,876 steps) overfits the synthesis distribution and degrades on the real test sets.

Evaluation — WER (%) on real European test sets

test setglobal WERcallsigncommandvalue
airbus (French, TLS/BOD approach, 3,589 utt.)31.936.212.914.7
atco2 (Czech/multinational, 200 held-out)30.631.128.219.4
uwb (Czech, en-route, 800)41.133.123.423.2

Extraction recall on airbus (%): command 88.5 · value 86.1 · telephony 64.4 · callsign 51.6.

For reference, a whisper-large-v3 fine-tuned on real ATCO2 audio at the same optimiser budget scores 36.4 / 30.2 / 39.6 global WER on airbus / atco2 / uwb — so this synthetic-only model is 4.5 WER points better on airbus and on par on atco2, with no real ATC training audio.

Usage

from transformers import pipeline
asr = pipeline("automatic-speech-recognition",
               model="camillebrl/whisper-large-v3-synthetic-20k-matched-psd_snrm10_drv6_o4")
print(asr("atc_clip.wav", generate_kwargs={"language": "en", "task": "transcribe"}))

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
a7cba4b

0 моделей