/ Модель

Характеристики

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

whisper-large-v3-turbo-fr-quebecois

Распознавание речиАудио → текст7 профессий

Дообученная версия Whisper Large V3 Turbo для транскрибации канадской французской речи, в том числе квебекского диалекта.

1 352скачиваний за 30 дней6лайковвеса обновлены28 дек 2025

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

Это дообученная модель OpenAI Whisper Large V3 Turbo от ele-sage для автоматического распознавания речи на канадском французском, включая квебекский диалект. Она преобразует аудио в текст и рассчитана на транскрибацию медиа, подкастов, интервью, формальных выступлений и повседневной речи с региональными акцентами.

Модель построена на архитектуре Whisper с последовательным преобразованием аудио в текст и содержит около 905,2 млн параметров. Для дообучения использовали примерно 69 часов записей: выступления в Национальной ассамблее Квебека и данные Common Voice на канадском и других вариантах французского. В README указана частота дискретизации 16 кГц; фрагменты длиннее 30 секунд исключались или сегментировались. На валидационном наборе автор сообщает WER 6,65%.

Модель предназначена прежде всего для французской речи из Квебека; обучение на формальных выступлениях и краудсорсинговых записях призвано охватить разные регистры. Это не гарантия точности на других акцентах, шумных записях или темах, не представленных в обучающих данных. Лицензия — MIT.

Сценарии применения

  • транскрибация подкастов и интервью на квебекском французском
  • распознавание повседневной речи с квебекским акцентом
  • расшифровка выступлений в Национальной ассамблее Квебека
  • создание текстовых расшифровок франкоязычных медиа Квебека

Ограничения

Модель оптимизирована для канадского французского и может уступать на других языках, диалектах и акустически сложных записях. Заявленный WER 6,65% относится к валидационному набору автора и не гарантирует такую же точность на других данных.

Для каких профессий подходит7

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 - Fine-tuned for Canadian French (Québécois)

This is a fine-tuned version of openai/whisper-large-v3-turbo for Automatic Speech Recognition (ASR) on Canadian French (Québécois) speech.

It achieves a Word Error Rate (WER) of 6.65% on the validation set, offering significant improvements over the base model for the specific nuances, cadence, and vocabulary of Quebec French.

⚡ Optimized Inference (WhisperX / CTranslate2)

If you are using WhisperX, Faster-Whisper, or CTranslate2, please use the dedicated optimized repository which contains the converted Float16 weights:

👉 ele-sage/whisper-large-v3-turbo-fr-quebecois-ct2

Model Details

Model Description

This model is fine-tuned from OpenAI's Whisper Large V3 Turbo. Unlike general French models, this version was trained on a mix of formal political speech and crowdsourced data to ensure robustness across different registers of Quebec French.

The training data includes the Assemblée Nationale du Québec (formal/political) and Common Voice (informal/diverse), making the model capable of handling both formal addresses and everyday accents.

  • Model type: Sequence-to-sequence audio-to-text model (Whisper)
  • Language(s): French (fr), specifically Canadian French (fr-CA)
  • License: MIT
  • Finetuned from model: openai/whisper-large-v3-turbo

How to Get Started with the Model

The model can be easily used with the pipeline from the 🤗 Transformers library.

from transformers import pipeline
import torch

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

pipe = pipeline(
  "automatic-speech-recognition",
  model="ele-sage/whisper-large-v3-turbo-fr-quebecois",
  device=device,
)

# Transcribe an audio file
audio_path = "path/to/your/audio.wav"
result = pipe(audio_path)

print(result["text"])

Uses

Direct Use

This model is intended for transcribing audio files containing Canadian French speech. It is particularly useful for:

  • Transcribing Quebec media, podcasts, and interviews.
  • Transcribing formal settings (political/legal) due to the inclusion of Assemblée Nationale data.
  • General Canadian French ASR tasks where standard models struggle with the accent.

Training Details

Training Data

The model was fine-tuned on a total of approximately 69 hours of audio, combining three distinct datasets to balance specific dialect accuracy with general French capability:

  1. Assemblée Nationale du Québec: ~13 hours (Formal, political context).
  2. Common Voice (Français du Canada): ~16.5 hours (Native Quebecois accents).
  3. Common Voice (Other French): ~39 hours (General French to prevent overfitting and maintain vocabulary coverage).
Dataset SourceDuration
Assemblée Nationale13h 11m 20s
Common Voice (CA)16h 31m 23s
Common Voice (Other)39h 12m 17s
Total68h 55m

Training Procedure

Preprocessing

The raw audio was sampled at 16kHz. Audio clips longer than 30 seconds were excluded or segmented. SpecAugment was applied during training (masking time and frequency features) to provide data augmentation and combat overfitting.

Training Hyperparameters

  • Framework: Transformers Seq2SeqTrainer
  • Model: openai/whisper-large-v3-turbo
  • Learning Rate: 5e-6
  • LR Scheduler: cosine
  • Warmup Steps: 100
  • Num Epochs: 1
  • Batch Size: 4 (with gradient accumulation of 4, effective batch size = 16)
  • Optimizer: AdamW
  • Precision: bf16 (BFloat16)
  • SpecAugment Settings:
    • dropout: 0.2
    • attention_dropout: 0.15
    • activation_dropout: 0.15
    • mask_time_prob: 0.10
    • mask_feature_prob: 0.10

Results

The model demonstrated steady convergence, achieving a final Word Error Rate (WER) of 6.65%.

StepTraining LossValidation LossWer
4000.32940.24598.10%
8000.32030.23757.98%
12000.31180.22347.85%
16000.27640.20947.12%
20000.27150.20086.81%
24000.25210.19676.65%

Citation

If you use this model, please consider citing the original Whisper paper:

@misc{radford2022whisper,
  doi = {10.48550/ARXIV.2212.04356},
  url = {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

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
0c88344

0 моделей