/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Архитектура
whisper · dense
Библиотека
transformers
Опубликована
23 янв 2026

whisper-large-v3_finetuned_ugandan_english_nonstandard_speech_v1.0

Распознавание речиАудио → текст3 профессии

Дообученная версия Whisper large-v3 для транскрибации нестандартной английской речи в Уганде, включая речь людей с нарушениями речи.

165скачиваний за 30 дней1лайквеса обновлены17 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

Модель CDLI — дообученная версия OpenAI Whisper large-v3 для распознавания нестандартной английской речи в Уганде, в том числе речи людей с нарушениями речи разной степени тяжести и различной этиологии. Это плотная encoder-decoder модель WhisperForConditionalGeneration на 905,2 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию на английском языке. Веса доступны в формате Safetensors и предназначены для использования с библиотекой Transformers.

Модель дообучали на обучающей части датасета cdli/ugandan_english_nonstandard_speech_v1.0, а контрольную часть использовали для выбора чекпойнта. На тестовой части из 1013 высказываний от 9 участников стандартный WER составил 0,24 против 0,34 у исходного Whisper large-v3. Проверка исключала высказывания длиннее 30 секунд, поэтому эти результаты не гарантируют аналогичное качество на других группах говорящих, языках или длинных записях. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация нестандартной английской речи в Уганде
  • распознавание речи людей с нарушениями речи
  • создание текстовых расшифровок коротких аудиозаписей на английском
  • оценка качества ASR для речи с нарушениями

Ограничения

Оценка основана на тестовой выборке из 9 говорящих и исключала высказывания длиннее 30 секунд; качество на других говорящих и условиях записи может отличаться. В README не приведена лицензия модели.

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

This is a fine-tuned version of openai/whisper-large-v3 for Ugandan English non-standard speech. It is part of CDLI's effort to make speech technology work for people whose speech is underserved by mainstream ASR systems.

All CDLI models and datasets can be found on CDLI's HuggingFace page.

Dataset

The model has been fine-tuned using cdli/ugandan_english_nonstandard_speech_v1.0, a dataset of speech samples of people living with impaired speech across a range of impairment severity levels and etiologies.

Training

The train split was used for training, and the dev split for selecting the best checkpoint.

All model parameters (encoder, decoder, and output projection) were fine-tuned, with SpecAugment enabled.

Evaluation

This model was evaluated on the test split of the dataset. Utterances longer than 30 seconds were excluded:

  • Examples evaluated: 1013
  • Speakers: 9

For decoding we ran Whisper with language=en, task=transcribe, greedy search (num_beams=1, do_sample=False).

Results are compared against the unadapted base model openai/whisper-large-v3, evaluated identically, to show the effect of fine-tuning on non-standard speech.

We report two complementary word error rate (WER) metrics, both computed on text normalized with Whisper's BasicTextNormalizer:

  • Standard (corpus-level) WER — the usual error rate, pooling all reference words and edit errors across the entire test set.
  • Per-utterance averaged WER — WER computed separately for each utterance, each capped at 1.0, then averaged across utterances.

The per-utterance averaged WER bounds each utterance to [0, 1] and weights all utterances equally, so it reflects typical performance without a few catastrophic utterances dominating — but it is not a true error rate and isn't directly comparable to other published WER, hence we report the standard, corpus-level WER as well.

Results

Overall Results

  • Adapted — this CDLI model, fine-tuned on non-standard speech.
  • Unadapted — the base model it was fine-tuned from (here: openai/whisper-large-v3).
ModelStandard WERPer-utterance averaged WER
Adapted0.240.22
Unadapted0.340.29
Relative improvement31%24%

Detailed Analysis

Aggregated results can hide important underlying patterns, so we also break the WER down by subset: per speaker, and — where speaker severity is available — per impairment severity group.

Results by impairment severity

All WER values below are the per-utterance averaged WER, first averaged per speaker and then averaged within each severity group. n_speakers and n_utterances are the number of speakers and test utterances in each group.

severityn_speakersn_utterancesAvg WER (unadapted model)Avg WER (adapted model)Rel. improvement
mild33340.240.216%
moderate33400.30.2130%
severe33390.320.2521%

Results by speaker

Per-utterance averaged WER per speaker. n_utterances is the number of test utterances for that speaker.

speaker_idseverityetiologyn_utterancesAvg WER (unadapted model)Avg WER (adapted model)Rel. improvement
UG001mildCerebral palsy - cerebral malaria1020.240.25-1%
UG014mildIdiopathic1330.160.1223%
UG022mildDevelopmental990.330.2526%
UG021moderateStructural presence of akloglosia, simply tongue tie770.190.1520%
UG036moderateCerebral Palsy1510.350.242%
UG052moderateDevelopmental1120.360.2823%
UG042severeDevelopmental920.230.224%
UG057severeAcquired hearing impairment960.390.2926%
UG058severeDevelopmental1510.330.2525%

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
29cf35a

0 моделей