/ Модель

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
30 ноя 2025

za-anv-multilingual-whisper-v3-turbo

Распознавание речиАудио → текст8 профессий

Дообученная на наборе ANV версия Whisper Large V3 Turbo для распознавания речи на языках и акцентах, представленных в корпусе.

109скачиваний за 30 дней0лайковвеса обновлены21 янв 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

dsfsi-anv выпустил дообученную версию Whisper Large V3 Turbo для мультиязычного автоматического распознавания речи. Модель построена на архитектуре Transformer encoder-decoder и содержит около 905,2 млн параметров; она дообучена на наборе ANV (Swivuriso), чтобы улучшить распознавание языков и акцентов, представленных в этом корпусе.

Модель предназначена для преобразования аудио в текст, в том числе для работы с языками с ограниченными ресурсами и исследований адаптации распознавания речи. В оценке на тестовом наборе указаны WER 0,1501 и CER 0,0510. Для использования доступна библиотека Transformers, веса сохранены в формате safetensors.

Как и базовый Whisper, модель может повторять текст или галлюцинировать, особенно на тишине и при фоновом шуме. Качество может снижаться на записи с акцентами, шумом и характеристиками, заметно отличающимися от данных ANV. Лицензия — MIT.

Сценарии применения

  • Расшифровка аудиозаписей на языках корпуса ANV
  • Распознавание речи с акцентами, представленными в данных Swivuriso
  • Создание текстовых транскриптов для аудиоматериалов
  • Исследования адаптации ASR для языков с ограниченными ресурсами

Ограничения

Модель может повторять текст или галлюцинировать на тишине и при фоновом шуме. Качество может снижаться на аудио с условиями записи и акцентами, отличающимися от корпуса ANV.

Для каких профессий подходит8

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

multilingual-whisper-v3-turbo

This model is a fine-tuned version of openai/whisper-large-v3-turbo on the dsfsi-anv dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2427
  • Wer: 0.1501
  • Cer: 0.0510

Model description

This model is a fine-tuned version of the Whisper Large V3 Turbo model, optimized for multilingual Automatic Speech Recognition (ASR). It has been trained on the ANV (Swivuriso) dataset to improve performance on specific target languages and domains represented in that corpus.

Whisper is a Transformer-based encoder-decoder model, also referred to as a sequence-to-sequence model. It was trained on weak supervision using large-scale noisy data, and this fine-tuning step adapts it specifically for the languages and accents found in the dsfsi-anv dataset.

Intended uses & limitations

Intended Uses

  • Automatic Speech Recognition (ASR): The model is primarily intended to transcribe audio in the languages present in the training data.
  • Research: Suitable for researchers studying low-resource language adaptation and fine-tuning efficiency.

Limitations

  • Hallucinations: Like the base Whisper model, this model may generate repetitive text or hallucinations, particularly in silence or with background noise.
  • Domain Specificity: Performance may degrade on audio that differs significantly (in terms of accent, noise, or recording quality) from the ANV dataset.

Training and evaluation data

The model was trained on the dsfsi-anv dataset.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • optimizer: AdamW (betas=(0.9,0.98), epsilon=1e-08)
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • training_steps: 10,000
  • framework: PyTorch 2.9.1+cu128 / Transformers 4.57.3

Training results

EpochStepTraining LossValidation LossWERCER
0.110000.41080.57530.37020.1237
0.220000.23260.46530.28880.0881
0.330000.44290.37500.23540.0782
0.440000.33090.33880.20750.0674
0.550000.32980.31350.19520.0635
0.660000.32380.29290.17820.0592
0.770000.39260.27660.16880.0545
0.880000.22610.26270.15930.0519
0.990000.21970.25140.15730.0506
1.0100000.22760.24270.15010.0510

Usage

This model can be used with the Hugging Face transformers library via the pipeline class.

pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate


import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

# Load your fine-tuned model
model_id = "dsfsi-anv/multilingual-whisper-v3-turbo"
processor_id = "openai/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(processor_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

# Example: Transcribe a sample file
# result = pipe("path/to/audio.wav")
# print(result["text"])

Framework versions

  • Transformers 4.57.3
  • Pytorch 2.9.1+cu128
  • Datasets 4.4.1
  • Tokenizers 0.22.1

BibTeX entry and citation info

@misc{radford2022whisper,
  doi = {10.48550/ARXIV.2212.04356},
  url = {[https://arxiv.org/abs/2212.04356](https://arxiv.org/abs/2212.04356)},
  author = {Radford, Alec and Kim, Jong Wook and Xu, Tao and Brockman, Greg and McLeavey, Christine and Sutskever, Ilya},
  title = {Robust Speech Recognition via Large-Scale Weak Supervision},
  publisher = {arXiv},
  year = {2022},
  copyright = {arXiv.org perpetual, non-exclusive license}
}

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
c8873a0

0 моделей