/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
7 мая 2026

whisper-large-v3-turbo-russian

Распознавание речиАудио → текст11 профессий

Дообученная на русском Whisper Turbo для распознавания речи с пунктуацией, особенно в длинных разговорных фрагментах.

747скачиваний за 30 дней5лайковвеса обновлены13 сен 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-large-v3-turbo Russian Stage AW — это дообученная Coriollon модель распознавания речи на базе openai/whisper-large-v3-turbo. Она специализируется на русском языке, сохраняя поддержку английского, и предназначена для преобразования аудио в текст с пунктуацией и заглавными буквами. Архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель особенно нацелена на длинные разговорные фрагменты: дообучение уменьшает потерю пунктуации во второй половине длинных реплик и встреч.

Для Stage AW указаны совокупный WER 9,07% и рост плотности пунктуации в длинных репликах примерно в 2,7–2,9 раза относительно предыдущей версии. Репозиторий также содержит вариант faster-whisper с квантизацией int8 и вычислениями fp16. Модель распространяется по лицензии Apache-2.0.

Ограничения: на короткой чистой речи качество пунктуации может быть ниже, чем у предыдущей версии, а на очень коротких фрагментах короче трёх секунд возможна избыточная пунктуация. Качество распознавания английской речи унаследовано от предыдущей версии и уступает исходной Whisper Turbo.

Сценарии применения

  • транскрибация русскоязычных встреч и совещаний
  • распознавание длинных разговорных записей
  • создание транскриптов с пунктуацией и заглавными буквами
  • расшифровка русскоязычных подкастов и интервью
  • распознавание речи в аудиозаписях на русском и английском

Ограничения

На короткой чистой речи качество пунктуации может быть ниже, чем у предыдущей версии; для фрагментов короче трёх секунд возможна избыточная пунктуация. Качество распознавания английской речи ниже, чем у исходной Whisper Turbo.

Для каких профессий подходит11

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-large-v3-turbo Russian (Stage AW — long-form)

A Russian-specialized openai/whisper-large-v3-turbo fine-tune with English preserved. This release (Stage AW) continues Stage AS v2 with a targeted second pass that fixes long-form punctuation collapse — the model's tendency to stop emitting ., ,, ?, ! in the second half of 20-30 s meeting-style segments.

Aggregate WER / Cap F1 / Sentence F1 stay at Stage AS v2 levels; punctuation density in long turns grows ~3× and n_valid rises from 53/150 to 140/150.

Headline metrics

General ASR (6 RU test sets, N=500 each, augmented refs):

MetricStage AS v2 (prev)Stage AW (this)Δ
WER (aggregate)9.02 %9.07 %+0.05 pp
PER F1 (punct macro F1)0.3980.388−0.010
Cap F1 (word-level case-match)0.8220.821−0.001
Sent F1 (sentence-boundary F1)0.8110.818+0.007

Long-form punct density (150 held-out concat-turns, 12-29 s each):

MetricStage AS v2Stage AWΔ
first-half density mean0.0740.214×2.9
second-half density mean0.0900.238×2.7
ratio_med (d2/d1)1.141.00parity
n_valid (both halves punctuated)53/150140/150×2.6

Per-dataset WER / PER F1

DatasetAS v2 WERAW WERAS v2 PERAW PER
Common Voice 21 RU5.01 %4.96 %0.3870.393
RuLibriSpeech8.05 %7.41 %0.2780.335
Sberdevices Golos far-field9.42 %9.42 %0.5960.487
Sberdevices Golos crowd8.59 %8.35 %0.4980.406
SOVA RuDevices13.46 %13.97 %0.2440.212
Podlodka Speech9.61 %9.27 %0.3830.494

WER improves on 4/6 datasets; PER regresses on short read-speech (Golos / SOVA) but improves on long meeting-style speech (Podlodka +0.11, RuLibri +0.06) — the corpus AW was tuned for.

What Stage AW fixed

Stage AS v2 was already an accurate Russian punctuator, but on long same-speaker turns (>15 s) the model would front-load punctuation: periods and commas in the first half, then trail off into punctuation-free run-on text. Empirically 65 % of 20-30 s turns in production meeting logs showed this pattern; users saw walls of text that were correct word-for-word but unreadable.

Stage AW retrains on 611 same-speaker concatenated turns (12-29 s each, 3.88 h total) from Pavel's own meeting corpus, with LLM-restored punctuation targets from gemma3:12b. The recipe continues from Stage AS v2 weights (not from Stage AI) so no short-form quality is sacrificed.

Recipe

  • Init: Stage AS v2 merged weights
  • Data: 611 rows of same-speaker concat, 12-29 s, gemma3:12b punct-restored targets, WER ≤ 1 % word-preservation verified
  • LoRA: r=48, target q/k/v/o + fc1/fc2 (same as AS v2)
  • Schedule: 3 epochs, LR 5e-6 cosine, weight decay 0.01
  • Compute: ~4 GPU-hours on RTX 4090 mobile

Usage

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch

processor = WhisperProcessor.from_pretrained("coriollon/whisper-large-v3-turbo-russian")
model = WhisperForConditionalGeneration.from_pretrained(
    "coriollon/whisper-large-v3-turbo-russian",
    torch_dtype=torch.float16,
).to("cuda")

inputs = processor(audio_array, sampling_rate=16000, return_tensors="pt")
input_features = inputs.input_features.to("cuda", dtype=torch.float16)
predicted_ids = model.generate(input_features, language="ru", task="transcribe")
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]

Pre-quantized faster-whisper variants

FolderQuantizationSize
ct2_int8_float16/int8 weights + fp16 compute782 MB
from huggingface_hub import snapshot_download
from faster_whisper import WhisperModel

ct2_path = snapshot_download(
    repo_id="coriollon/whisper-large-v3-turbo-russian",
    allow_patterns="ct2_int8_float16/*",
)
model = WhisperModel(f"{ct2_path}/ct2_int8_float16",
                    device="cuda", compute_type="int8_float16")
segments, _ = model.transcribe("audio.wav", language="ru", beam_size=5)

Reverting to Stage AS v2

The Stage AS v2 revision remains accessible via HF revision pinning:

processor = WhisperProcessor.from_pretrained(
    "coriollon/whisper-large-v3-turbo-russian",
    revision="stage-as-v2",   # git tag pointing to pre-AW commit
)

Limitations

  • On short read-speech (Golos / SOVA) PER F1 drops 0.02-0.11 vs AS v2 because AW was tuned for long conversational turns, not short clean utterances. WER is unaffected.
  • English-only audio quality inherited from AS v2 baseline — degraded vs vanilla turbo.
  • Same over-punctuation risk as AS v2 on very short (< 3 s) inputs.

License

Apache 2.0 (inherited from base Whisper model).

Changelog

  • Stage AW (2026-09-07) — long-form density fine-tune. Continue-train from AS v2 on 611 same-speaker concat-turns (12-29 s, gemma3:12b targets, 3.88 h). Long-form density ×2.7-2.9, n_valid 53→140/150, ratio_med 1.14→1.00. Aggregate WER +0.05 pp (in noise); 4/6 datasets improve.
  • Metric fix (2026-07-19) — Evaluation harness now counts leading em-dash (Russian dialogue) and standalone ... / … tokens. No change to the released weights, only to how their punctuation quality is reported.
  • Stage AS v2 (2026-07-14) — LoRA r=48, 3 epochs, rare-mark ×2 sample weighting. WER 9.83 → 8.93 %. PER 0.39 → 0.41, Cap and Sent essentially preserved. Golos WER drops −2 pp on both splits.
  • Stage AS v1 (2026-07-12) — punctuation & capitalization LoRA fine-tune. Cap F1 0.48 → 0.83, Sent F1 0.45 → 0.81, PER F1 0.20 → 0.39. WER 9.43 → 9.83 %.
  • Stage AI (previous) — GigaAM-teacher relabel, WER 13.25 → 9.43 %.

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
5554b84

0 моделей