/ Модель
Каталог

Характеристики

Контекст
1 024 токена
Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v2
Библиотека
transformers
Опубликована
13 июл 2026

Ссылки

Hugging Face

whisper-large-v2-translate-zh-v0.2-st

dfsADDADA
Распознавание речиАудио → текст3 профессии

Производная модели chickenrice0721/whisper-large-v2-translate-zh-v0.2-st. Дообученная модель Whisper large-v2 переводит японскую речь из аудио на китайский язык.

11скачиваний за 30 дней0лайковвеса обновлены13 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.

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

Карточка модели dfsADDADA/whisper-large-v2-translate-zh-v0.2-st на Hugging Face совпадает с карточкой chickenrice0721/whisper-large-v2-translate-zh-v0.2-st, поэтому описание составлено по ней.

chickenrice0721/whisper-large-v2-translate-zh-v0.2-st — это дообученная модель Whisper large-v2 для перевода японской речи на китайский язык. По карточке, её дополнительно обучали на 5000 часах японского аудио с китайскими субтитрами с временными метками; режим использования указан как translate с языком ja. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 905,2 млн параметров.

Модель принимает аудио и генерирует китайский текстовый перевод. В README приведены результаты оценки: TER 60,4828, BLEU 29,3658 и CER 0,6602; набор оценки и методика не описаны, поэтому эти значения не позволяют надёжно сравнить качество с другими системами. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • перевод японской речи в китайские субтитры
  • создание китайской текстовой расшифровки японского аудио
  • перевод японских аудиозаписей на китайский

Ограничения

В карточке указаны метрики TER, BLEU и CER, но не описаны набор оценки и методика их расчёта. Сведения о дополнительных ограничениях и обучающих данных, кроме объёма и общего описания, отсутствуют.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделейI.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923моделиI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-large-v2-translate-zh-v0.2-st

This model is a fine-tuned version of openai/whisper-large-v2. It achieves the following results on the evaluation set:

  • Loss: 1.2328
  • Ter: 60.4828
  • Bleu: 29.3658
  • Cer: 0.6602
ModelTERBLEUCER
v2-zh-v0.2-st60.482829.36580.6602
v2-zh-v0.1-lt65.056630.00340.7102
v3-zh-v0.1-lt67.197127.65720.7328

Model description

5000小时 (日语音频,中文带轴字幕) 数据微调, 翻译模式直出中文

Usage

task='translate', language='ja'

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: 1.5e-05
  • seed: 1145141919
  • total_train_batch_size: 256
  • optimizer: adamw with betas=(0.9,0.98) and epsilon=1e-06
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 7.0

Training results

Training LossEpochStepTerBleuCerValidation Loss
1.55210.1777100081.742021.52480.89511.5182
1.4390.3554200080.722922.34510.90501.4391
1.36550.5330300087.850421.81060.96371.3942
1.33370.7107400072.361925.03720.80211.3678
1.280.8884500070.369426.08190.78841.3418
1.23171.0661600067.953926.45080.75251.3320
1.20911.2438700072.668325.67450.79291.3200
1.19521.4215800072.651125.81940.80571.3073
1.18571.5991900067.111227.25540.73991.2972
1.15551.77681000068.643526.65950.75071.2923
1.13651.95451100072.072825.89300.80091.2863
1.09422.13221200073.629025.72070.83421.2930
1.09132.30991300067.569227.27510.75031.2845
1.06922.48761400067.293527.56900.74621.2808
1.06342.66521500067.118727.22630.73451.2874
1.06492.84291600070.414226.67930.81151.2705
1.01563.02061700067.484027.27070.74971.2726
1.01333.19831800061.576628.87710.67531.2796
0.99183.37601900063.936728.24970.70481.2773
0.98733.55372000064.116828.40870.70271.2751
0.98553.73132100063.690228.30990.70121.2770
0.97863.90902200065.141128.05470.71371.2705
0.95034.08672300066.055527.55990.73281.2769
0.95454.26442400063.573628.37900.69661.2777
0.95134.44212500062.539628.65780.68871.2747
0.93534.61982600065.224027.92740.71891.2741
0.93674.79742700062.804828.51890.68911.2757
0.93684.97512800065.272527.89430.72311.2715
0.91465.15282900063.413728.41510.69551.2780
0.90635.33053000062.291628.89330.68991.2770
0.89825.50823100060.721129.19590.67311.2819
0.9025.68593200061.149229.26060.67081.2786
0.90785.86353300061.958328.94410.67961.2799
0.89726.04123400061.306129.05000.67261.2826
0.90126.21893500061.956828.90050.68061.2848
0.89546.39663600061.061829.16540.66721.2822
0.88966.57433700060.482829.36580.66021.2812

Framework versions

  • Transformers 4.52.4
  • Pytorch 2.7.1+cu128
  • Datasets 4.0.0
  • Tokenizers 0.21.2

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
646624a

0 моделей

    Создать бенчмарк