/ Модель

Характеристики

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

full_moonshine_tiny_all_data_wup5_ep12_lr5e-5_new_transcripts

Распознавание речиАудио → текст5 профессий

Компактная дообученная Moonshine Tiny распознаёт македонскую речь и преобразует её в текст, в том числе на устройствах с ограниченными ресурсами.

35скачиваний за 30 дней0лайковвеса обновлены15 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 h-gajdov/full_moonshine_tiny_all_data_wup5_ep12_lr5e-5_new_transcripts — дообученная модель Moonshine Tiny от UsefulSensors для распознавания македонской речи и преобразования её в текст. Это компактная encoder-decoder-модель с 27,1 млн параметров, принимающая необработанный аудиосигнал; в отличие от Whisper с фиксированным окном log-mel, её вычислительная стоимость зависит от длительности аудио, что подходит для локального распознавания на устройствах. В метаданных указан контекст 194 токена; при генерации README рекомендует ограничивать max_length значением 192.

Модель обучена на смеси македонских речевых наборов, в основном на исправленных и заново транскрибированных данных Vezilka-ASRI. На тестовом наборе из 44 роликов README сообщает WER 11,91% и CER 4,85%; автор отмечает, что результат уступает Whisper Large v3 Turbo, но сравнение идёт с существенно более крупной моделью. Доступна лицензия в предоставленных данных не указана.

Сценарии применения

  • расшифровка македонских аудиозаписей
  • распознавание речи в македонских видеороликах
  • локальная транскрибация коротких высказываний
  • создание текстовых субтитров для македонской речи

Ограничения

На тестовом наборе автор сообщает WER 11,91%, а качество заметно уступает результатам более крупной дообученной Whisper Large v3 Turbo. Декодер имеет 194 позиции; для генерации README рекомендует max_length не выше 192.

Для каких профессий подходит5

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

full_moonshine_tiny_all_data_wup5_ep12_lr1e-4_new_transcripts

Full fine-tune of UsefulSensors/moonshine-tiny (27.1M parameters) for Macedonian speech-to-text, trained on the same all-data mix as full_moonshine_tiny_all_data_wup1_ep3_lr1e-4 (vezilka-asri plus seven curated sets -- videa_so_transkript_od_yt, alfa_audios, sitel_audios, doniraj (accepted donations), mozzila_common_voice, fleurs_mk and jargon), retrained after vezilka-asri's transcripts were corrected/retranscribed -- same data selection as that run, but the audio-text pairs themselves changed for the ~99% of the mix that vezilka-asri makes up.

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
WER11.91
CER4.85
SER100.00
Parameters27.1 M
Latency118 ms/utterance
Throughput223x real-time
RTF0.00448

SER is exact-match over whole utterances. These test clips average 62 words, so at this WER an exactly-correct utterance is vanishingly unlikely -- read WER/CER.

Best WER seen during training (on the same held-out set): 12.02 at step 535000 (epoch 5.65 of the 12 configured -- load_best_model_at_end kept this checkpoint as the final save rather than a later, worse one).

Note: the peak learning rate actually used was 5e-5, not the lr1e-4 its output-dir/repo name carries over from an earlier revision of the config it was launched from -- the Training table below reflects the value actually used.

Compared with the doniraj/prvatv Whisper sweep

Doniraj/prvatv sweep + Moonshine

This model is far behind every Whisper LoRA/full-finetune adapter in that sweep (WER ~4-5% there vs 11.91% here) -- expected, since Moonshine-tiny is a 27M-parameter model built for on-device use, being compared against a fine-tuned 809M-parameter Whisper Large v3 Turbo.

Training

settingvalue
learning rate5e-05
warmup ratio0.05
epochs (configured / reached)12 / 5.65
batch size32 x 1 accum
schedulercosine
weight decay0.01
precisionbf16
steps at best checkpoint535000

Usage

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq
import librosa, torch

model_id = "h-gajdov/full_moonshine_tiny_all_data_wup5_ep12_lr1e-4_new_transcripts"
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
4771cc8

0 моделей