Характеристики

Контекст: 1 024 токена
Лицензия: Apache 2.0
Архитектура: whisper · dense
Базовая модель: whisper-base
Библиотека: transformers
Опубликована: 18 июл 2026

Ссылки

Hugging Face

whisper-base-es-mix-norm

deepdml

Распознавание речиАудио → текст8 профессий

Дообученная на речевых данных модель Whisper Base для распознавания речи и преобразования аудио в текст.

19скачиваний за 30 дней0лайковвеса обновлены26 авг 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

deepdml/whisper-base-es-mix-norm — модель распознавания речи на основе Whisper Base от OpenAI, дообученная разработчиком deepdml. По метаданным, модель предназначена для преобразования аудио в текст и обучалась на наборах VoxForge, Common Voice, Basque Parliament, WorldSpeech, VoxPopuli, Fleurs и Multilingual LibriSpeech; README также сообщает о дообучении на Common Voice 17.0. Архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors и предназначены для использования с Transformers.

На тестовом наборе из README указаны WER 12,4062 и CER 4,8335. Метаданные отмечают испанский язык, однако подробности о нормализации, поддержке отдельных языков и условиях оценки не раскрыты. Лицензия — Apache-2.0.

Сценарии применения

транскрибация испанской речи
преобразование записей разговоров в текст
распознавание речи из аудиофайлов
создание текстовых расшифровок для речевых корпусов

Ограничения

README приводит метрики только для своего оценочного набора; качество на других данных не описано. Подробные ограничения и поведение нормализации в карточке не раскрыты.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper Base es

This model is a fine-tuned version of openai/whisper-base on the Common Voice 17.0 dataset. It achieves the following results on the evaluation set:

Loss: 0.2225
Wer Raw: 12.4062
Cer Raw: 4.8335
Wer: 12.4062
Cer: 4.8335

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.04
training_steps: 46000

Training results

Training Loss	Epoch	Step	Validation Loss	Wer Raw	Cer Raw	Wer	Cer
0.2105	0.0217	1000	0.4291	21.0947	7.3489	21.0123	7.3330
0.2114	0.0435	2000	0.3882	20.2421	7.6348	20.1920	7.6252
0.1814	0.0652	3000	0.3561	17.8716	6.2992	17.8494	6.2949
0.1671	0.0870	4000	0.3379	17.5020	6.2904	17.4811	6.2869
0.1378	0.1087	5000	0.3265	17.1660	6.2993	17.1565	6.2975
0.1211	0.1304	6000	0.3199	17.3816	6.5366	17.3708	6.5346
0.1371	0.1522	7000	0.3200	16.8078	6.1243	16.8034	6.1235
0.1474	0.1739	8000	0.2990	15.9723	6.0495	15.9704	6.0491
0.1405	0.1957	9000	0.2938	15.5342	5.6053	15.5342	5.6053
0.2387	0.2174	10000	0.3001	15.7516	5.7251	15.7504	5.7248
0.1441	0.2391	11000	0.2876	14.7728	5.3077	14.7722	5.3076
0.1232	0.2609	12000	0.2803	14.7005	5.2640	14.7005	5.2640
0.2715	0.2826	13000	0.2770	14.7481	5.3805	14.7468	5.3803
0.2600	0.3043	14000	0.2833	15.4372	5.8523	15.4366	5.8522
0.1616	0.3261	15000	0.2715	14.2402	5.0899	14.2396	5.0898
0.2634	0.3478	16000	0.2715	14.1122	5.0557	14.1109	5.0555
0.2724	0.3696	17000	0.2643	14.2193	5.2369	14.2187	5.2368
0.1641	0.3913	18000	0.2551	13.6678	5.0883	13.6678	5.0883
0.1795	0.4130	19000	0.2547	14.0418	5.3390	14.0418	5.3390
0.2134	0.4348	20000	0.2497	13.8301	5.3565	13.8301	5.3565
0.2445	0.4565	21000	0.2481	13.7248	5.1595	13.7248	5.1595
0.3013	0.4783	22000	0.2461	13.4941	4.9600	13.4941	4.9600
0.2151	0.5	23000	0.2433	13.1035	4.8197	13.1035	4.8197
0.1280	1.0040	24000	0.2368	13.4332	5.1921	13.4332	5.1921
0.0863	1.0257	25000	0.2337	12.6167	4.7145	12.6167	4.7145
0.0799	1.0474	26000	0.2339	12.8316	4.8257	12.8316	4.8257
0.1029	1.0692	27000	0.2329	12.6167	4.5999	12.6167	4.5999
0.0867	1.0909	28000	0.2330	12.7244	4.7077	12.7244	4.7077
0.0840	1.1127	29000	0.2310	12.5786	4.6454	12.5786	4.6454
0.1024	1.1344	30000	0.2316	12.3517	4.6403	12.3517	4.6403
0.0929	1.1561	31000	0.2297	12.5044	4.7394	12.5044	4.7394
0.1030	1.1779	32000	0.2283	12.3574	4.6086	12.3574	4.6086
0.1092	1.1996	33000	0.2310	12.3542	4.6186	12.3542	4.6186
0.0939	1.2213	34000	0.2308	12.6959	4.8683	12.6959	4.8683
0.0722	1.2431	35000	0.2283	12.4309	4.7734	12.4309	4.7734
0.0916	1.2648	36000	0.2283	12.3269	4.6052	12.3269	4.6052
0.1084	1.2866	37000	0.2291	12.6610	4.8985	12.6610	4.8985
0.1796	1.3083	38000	0.2300	12.3288	4.5390	12.3288	4.5390
0.1343	1.3300	39000	0.2262	12.3853	4.6860	12.3853	4.6860
0.1363	1.3518	40000	0.2268	12.0664	4.4976	12.0664	4.4976
0.1393	1.3735	41000	0.2237	12.2699	4.7344	12.2699	4.7344
0.1617	1.3953	42000	0.2231	12.4189	4.7940	12.4189	4.7940
0.2268	1.417	43000	0.2240	12.0207	4.4868	12.0207	4.4868
0.3400	1.4387	44000	0.2238	12.2071	4.5810	12.2071	4.5810
0.1902	1.4605	45000	0.2238	12.0809	4.5142	12.0809	4.5142
0.2122	1.4822	46000	0.2225	12.4062	4.8335	12.4062	4.8335

Framework versions

Transformers 5.14.1
Pytorch 2.6.0+cu124
Datasets 5.0.1
Tokenizers 0.22.2

Citation

Please cite the model using the following BibTeX entry:

@misc{deepdml/whisper-base-es-mix-norm,
      title={Fine-tuned Whisper base ASR model for speech recognition in Spanish},
      author={Jimenez, David},
      howpublished={\url{https://huggingface.co/deepdml/whisper-base-es-mix-norm}},
      year={2026}
    }

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: c8634fa

Характеристики

Ссылки

whisper-base-es-mix-norm

Бенчмарки

Тесты пользователейпока нет

Добавьте модель в бенчмарк

Опишите свои задачи

Запустите и опубликуйте

Публичные оценки

Что умеет модель

Сценарии применения

Ограничения

Для каких профессий подходит8

Также подходит для

Карточка модели

Whisper Base es

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Citation

Как запустить