/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Опубликована
24 авг 2026

whisper-large-v3-urdu-v2

Распознавание речиАудио → текст4 профессии

Модель на базе Whisper large-v3 транскрибирует пакистанскую речь на урду письмом насталик, романизированным урду или смешанной записью урду и английского.

315скачиваний за 30 дней0лайковвеса обновлены24 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.

  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

emads/whisper-large-v3-urdu-v2 — модель распознавания речи, созданная дообучением Whisper large-v3 для пакистанского урду. Принимает аудио и по управляющему токену декодирования выводит текст в одном из трёх вариантов: письмом урду насталик, романизированным урду или смешанной записью урду и английского с английскими фрагментами латиницей. Архитектура — плотная encoder-decoder модель WhisperForConditionalGeneration, около 905,3 млн параметров; репозиторий содержит веса Safetensors.

Модель предназначена для транскрибации пакистанской речи, включая переключение между урду и английским, например в звонках, интервью и разговорных записях. В README приведены результаты на тестах FLEURS Urdu, Common Voice Urdu и Roman Urdu; для выбора регистра требуется передавать соответствующий токен в префиксе декодера. Модель наследует мультиязычную основу Whisper, но обучение и заявленные сценарии ориентированы на урду Пакистана и его письменные варианты.

Для длинных записей нужна внешняя нарезка на фрагменты до 30 секунд. Распознавание разговорного пакистанского аудио при переключении языков обозначено как известная слабая сторона; романизация следует разговорным вариантам написания. Лицензия модели — Apache-2.0.

Сценарии применения

  • транскрибация пакистанской речи на урду письмом насталик
  • запись урду латиницей в стиле переписки
  • распознавание переключения между урду и английским в речи
  • расшифровка интервью, звонков и разговорных записей на урду

Ограничения

Для длинного аудио требуется внешняя нарезка на фрагменты до 30 секунд. Разговорная речь Пакистана с переключением между урду и английским остаётся слабым сценарием; романизированные слова могут иметь варианты написания, а декодирование без токена регистра не поддерживается.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-large-v3-urdu-v2

Whisper-large-v3 fine-tuned for Pakistani Urdu in its three written registers, selected at decode time by a control token:

tokenregisteroutput looks like
`<scripturdu>`
`<scriptroman>`
`<scriptmixed>`

The mixed register keeps English islands in Latin letters inside an Urdu-script matrix — the convention of real Pakistani speech (dramas, call-centres, interviews) — including English function words and phrases, not just borrowed nouns.

Usage

The script token goes after <|notimestamps|> in the decoder prefix:

import torch
from transformers import WhisperProcessor, WhisperForConditionalGeneration

repo = "emads/whisper-large-v3-urdu-v2"
processor = WhisperProcessor.from_pretrained(repo)
model = WhisperForConditionalGeneration.from_pretrained(repo).eval()

def prefix(script_token: str) -> torch.Tensor:
    toks = ["<|startoftranscript|>", "<|ur|>", "<|transcribe|>",
            "<|notimestamps|>", script_token]
    return torch.tensor([processor.tokenizer.convert_tokens_to_ids(toks)])

feats = processor(audio_16khz, sampling_rate=16000, return_tensors="pt").input_features
out = model.generate(feats, decoder_input_ids=prefix("<|scripturdu|>"), max_new_tokens=200)
print(processor.batch_decode(out, skip_special_tokens=True)[0])

Swap "<|scripturdu|>" for "<|scriptroman|>" or "<|scriptmixed|>" to change the output convention on the same audio.

Evaluation (2026-08-25)

Greedy decoding, register-matched control token, text normalization as in the training repo (github.com/emad-siddiq/urdu-llm, urduwhisper/text_norm.py).

benchmarkmetricthis modelwhisper-large-v3 fine-tuned v1
FLEURS ur_pk test (n=299)WER0.16650.1687
Common Voice Urdu test (n=1000)WER0.15980.1574
Roman-Urdu test, 300 clipsCER0.14700.857 (v1 cannot write Roman)
Urdu–English code-switch, 1000 clipsWER0.35400.3581 (v1 writes islands in Urdu script)

On the code-switch set, 37% of English islands are written in Latin (v1: 0%) with 80% heard in some script; script fidelity is 1.000 for the Urdu register and 0.981 for Roman — the registers do not leak into each other.

Provenance notes: the Roman references are LLM-generated chat-Roman, mechanically audited (no content errors in 300/300; native naturalness review pending). The code-switch benchmark is the manually-corrected gold slice of UrduSpeech (CC-BY-4.0, arXiv:2605.17846).

Training

Fine-tuned from the v1 Urdu fine-tune of openai/whisper-large-v3 (2,500 steps, batch 32, lr 5e-6) on a register-tagged mix: Urdu-script speech (Common Voice, IndicVoices, Kathbath, PRUS, transliterated IndicVoices-Hindi), Roman-Urdu targets (same audio, romanized labels), and a mixed bucket under <|scriptmixed|>: MUCS Hinglish (re-scripted to the Urdu convention), English audio with Latin labels (FLEURS-en, LibriSpeech clean-100), on-the-fly spliced Urdu+English utterances, and paired loanword copies. Latin-letter label tokens of mixed rows carry 2× loss weight. All sources permissively licensed (CC-0/CC-BY); the benchmark corpora never enter training (leakage-filtered).

Limitations

  • Long-form audio needs external chunking (30 s window).
  • Code-switch WER is dominated by conversational-domain recognition, not script choice; Pakistani conversational audio is the known gap.
  • Roman spelling follows chat conventions; expect variant spellings (ke/kay, hai/he) — score with variant folding.
  • Decoding without a script token is unsupported; always pass the prefix.

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
4c2ca11

0 моделей