/ Модель
Каталог

Характеристики

Лицензия
MIT
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
3 июл 2026

Ссылки

Hugging Face

afrivoices-whisper-turbo-50h

evie-8
Распознавание речиАудио → текст

Дообученная на базе Whisper large-v3-turbo модель для преобразования речи из аудио в текст.

15скачиваний за 30 дней1лайквеса обновлены3 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

afrivoices-whisper-turbo-50h — дообученная модель автоматического распознавания речи на основе openai/whisper-large-v3-turbo. Она принимает аудио и предназначена для преобразования речи в текст. В README приведены результаты оценки: loss 0,6472 и WER 0,2822; набор данных указан как неизвестный, поэтому оценить область и условия применимости этих результатов нельзя.

Базовая модель Whisper large-v3-turbo — ускоренная мультиязычная модель OpenAI для распознавания речи и перевода аудио в текст. Для этой версии указана лицензия MIT. Поддерживаемые языки и специализированные сценарии дообучения не описаны.

Сценарии применения

  • транскрибация аудиозаписей
  • распознавание речи в голосовых сообщениях
  • подготовка текстовых расшифровок аудио

Ограничения

Датасет дообучения неизвестен, а README не описывает intended use и ограничения. Указанный WER 0,2822 относится к оценочному набору, состав которого не раскрыт.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

afrivoices-whisper-turbo-50h

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

  • Loss: 0.6472
  • Wer: 0.2822

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: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED 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: 200
  • num_epochs: 3
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
2.32450.09265001.25121.1332
2.01960.185210001.10850.9513
1.90940.277815000.99800.5464
1.72820.370420000.97550.5172
1.54610.463025000.92660.5150
1.50120.555630000.90510.4016
1.48500.648235000.85710.3469
1.51670.740840000.82400.3211
1.46450.833445000.82600.3582
1.46910.926050000.78120.4899
1.20021.018555000.78210.5344
1.15581.111160000.75430.4379
1.14421.203765000.74180.5382
1.21771.296370000.72330.5535
1.18131.388975000.72290.3162
1.17051.481580000.71280.2949
1.15471.574185000.69890.3372
1.12291.666790000.69930.3215
1.12291.759395000.67840.3013
1.06611.8519100000.68440.2725
1.09861.9445105000.67250.3608
0.95132.0370110000.68400.2766
0.87732.1296115000.67630.2972
0.94622.2222120000.66050.2766
0.90062.3148125000.65920.2668
0.91892.4074130000.66660.2642
0.93812.5000135000.65590.2818
0.84772.5926140000.65800.3050
0.81422.6852145000.65140.3088
0.88752.7778150000.65030.2762
0.84702.8705155000.64460.2736
0.76882.9631160000.64760.2814
0.77203.0162000.64720.2822

Framework versions

  • Transformers 5.12.1
  • Pytorch 2.11.0+cu128
  • Datasets 5.0.0
  • Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
b841bc0

0 моделей

    Создать бенчмарк