/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Опубликована
15 июн 2026

whisper-large-v3-swahili-afrivoice-cv

Распознавание речиАудио → текст

Производная модели ElizabethMwangi/whisper-large-v3-swahili-afrivoice-cv. Дообученная Whisper large-v3 для транскрибации речи на суахили, особенно речи кенийских говорящих.

140скачиваний за 30 дней0лайковвеса обновлены15 июн 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

Карточка модели cdli/whisper-large-v3-swahili-afrivoice-cv на Hugging Face совпадает с карточкой ElizabethMwangi/whisper-large-v3-swahili-afrivoice-cv, поэтому описание составлено по ней.

Модель Elizabeth Mwangi — дообученная версия OpenAI Whisper large-v3 для автоматического распознавания речи на суахили. Она обучена на данных всех пяти доменов AfriVoice и на Common Voice Swahili; в первую очередь предназначена для речи кенийских говорящих, в том числе с нестандартными речевыми особенностями. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors.

Модель подходит для транскрибации записей на суахили, включая речь из разных прикладных доменов. В README приведены результаты на тестовых наборах: WER 0,244 на AfriVoice и 0,201 на Common Voice Swahili. Это показатели на указанных наборах, поэтому качество на других источниках и условиях записи может отличаться. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация речи на суахили
  • распознавание речи кенийских говорящих
  • расшифровка нестандартной речи на суахили
  • создание текстовых субтитров для аудио на суахили

Ограничения

В README приведены оценки только для AfriVoice и Common Voice Swahili; качество на других наборах и условиях записи не установлено. Модель предназначена для суахили, поэтому не следует считать её универсальной для других языков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper Large V3 — Swahili (AfriVoice All Domains + Common Voice)

Fine-tuned version of openai/whisper-large-v3 for Swahili ASR, trained on all 5 AfriVoice domains combined with CommonVoice Swahili.

Training Details

  • Base model: openai/whisper-large-v3
  • Language: Swahili (sw)
  • Task: Automatic Speech Recognition (ASR)
  • Training data: ElizabethMwangi/swahili_afrivoice_all_domains_v0.1 (389,599 utts) + cdli/common_voice_swahili_small (4,548 utts) = 394,147 total
  • Full model training: encoder, decoder, and projection updated
  • SpecAugment: On
  • Learning rate: 1e-5 (polynomial decay, LR end 1e-8, power 4)
  • Effective batch size: 32 (batch 4 x grad accum 8)
  • Max steps: 1000 (run in two stages: 0-400, then 400-1000)
  • Best checkpoint: Step 700 (AfriVoice dev WER 0.2393)
  • Output dir: sw_afrivoice_cv_tune_whisper_large_v0.1

Results

DatasetWERCER
AfriVoice dev0.2390.089
AfriVoice test0.2440.094
CommonVoice Swahili test0.2010.049
Swahili NSS test (885 examples)0.3940.172

Usage

from transformers import pipeline

asr = pipeline(
    'automatic-speech-recognition',
    model='ElizabethMwangi/whisper-large-v3-swahili-afrivoice-cv'
)
result = asr('audio.wav')
print(result['text'])

Intended Use

Swahili ASR with a focus on Kenyan speakers, including nonstandard speech patterns. Part of CDLI research into inclusive ASR for African languages.

Citation

If you use this model, please cite the AfriVoice dataset (DigitalUmuganda/Afrivoice_Swahili) and this repository.

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
eb59948

0 моделей