/ Модель

Характеристики

Контекст
194 токена
Архитектура
moonshine · dense
Базовая модель
moonshine-tiny
Библиотека
transformers
Опубликована
1 сен 2026

full_moonshine_tiny_all_data_wup1_ep3_lr1e-4

Распознавание речиАудио → текст4 профессии

Moonshine Tiny, дообученная для распознавания македонской речи и преобразования её в текст.

236скачиваний за 30 дней0лайковвеса обновлены1 сен 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

Модель разработана автором репозитория h-gajdov как полное дообучение Moonshine Tiny для преобразования македонской речи в текст. Это плотная encoder-decoder-модель семейства Moonshine с 27,1 млн параметров, принимающая аудио как необработанную форму волны; по описанию автора, вычислительные затраты зависят от длительности аудио, что подходит для распознавания на устройстве. Для обучения использовано около 2,99 млн аудиофрагментов длительностью до 30 секунд из македонских речевых корпусов; диалектные репозитории и отложенный тестовый набор исключены.

На отложенном тесте из 44 записей автор сообщает WER 11,62 и CER 4,21; лучший WER во время обучения составил 11,33. Результаты относятся к указанному небольшому тестовому набору, поэтому не гарантируют такое же качество на других источниках речи и диалектах. Модель предназначена для автоматического распознавания македонской речи; лимит декодирования связан с 194 позициями контекста. Лицензия в предоставленных данных не указана.

Сценарии применения

  • расшифровка македонской речи в аудиозаписях
  • создание текстовых транскриптов македонских аудиофрагментов
  • распознавание македонской речи на устройстве
  • транскрибирование македонских видео и пользовательских записей

Ограничения

Оценка WER 11,62 получена на небольшом тестовом наборе из 44 записей и может не переноситься на другие источники и диалекты; диалектные данные исключались из обучения. Декодер ограничен 194 позициями контекста.

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

full_moonshine_tiny_all_data_wup1_ep3_lr1e-4

Full fine-tune of UsefulSensors/moonshine-tiny (27.1M parameters) for Macedonian speech-to-text, trained on the whole corpus: the vezilka-asri collection plus seven curated sets -- videa_so_transkript_od_yt, alfa_audios, sitel_audios, doniraj (accepted donations), mozzila_common_voice, fleurs_mk and jargon -- ~2.99M clips of at most 30 s. The dialect repos and the held-out test set are deliberately left out.

This is the best recipe of the earlier warmup/LR sweep (full_moonshine_tiny_wup1_ep3_lr1e-4, rachno WER 14.24) with the data changed and nothing else -- same 3 epochs, same learning rate, schedule, warmup, batch size and eval cadence -- so the gain is attributable to the curated sets that were added.

Moonshine is a raw-waveform encoder-decoder: it takes input_values rather than Whisper's fixed 30 s log-mel window, so its cost scales with actual audio length instead of being flat per clip. That is what makes it viable on-device, and it is why its real-time factor barely moves with utterance length where Whisper's does.

Evaluation

Held-out test set rachno_provereno_od_yt (44 clips, 0.32 h), cuda, batch 16, 1 beam.

metricvalue
WER11.62
CER4.21
SER97.73
Parameters27.1 M
Latency72 ms/utterance
Throughput366x real-time
RTF0.00273

SER is exact-match over whole utterances. These test clips average 62 words, so at this WER an exactly-correct utterance is vanishingly unlikely -- one of the 44 lands exactly right after normalization -- read WER/CER.

Best WER seen during training (on the same held-out set): 11.33 at step 251000.

Compared with the other Moonshine runs

Moonshine tiny -- base vs all fine-tunes

The two all-data runs

All-data runs, wup1 ep3

Compared with Whisper

All models

The full table across every model evaluated is in comparison_all.md.

Training

settingvalue
learning rate0.0001
warmup ratio0.01
epochs3
batch size32 x 1 accum
schedulercosine
weight decay0.01
precisionbf16
total steps280137

Usage

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq
import librosa, torch

model_id = "h-gajdov/full_moonshine_tiny_all_data_wup1_ep3_lr1e-4"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id).eval()

wav, _ = librosa.load("clip.wav", sr=16000, mono=True)
feats = processor.feature_extractor([wav], sampling_rate=16000,
                                    return_tensors="pt", padding=True)
with torch.no_grad():
    ids = model.generate(**feats, max_length=192)
print(processor.batch_decode(ids, skip_special_tokens=True)[0])

max_length is capped at 192 because the decoder has 194 positions (max_position_embeddings). Moonshine has no forced language/task tokens, so do not pass language= or task= to generate() -- it will raise.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MoonshineForConditionalGeneration
Ревизия весов
aa208b6

0 моделей