/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
10 сен 2026

whisper-large-v3-turbo

Распознавание речиАудио → текст5 профессий

Дообученная версия Whisper large-v3-turbo для преобразования непальской речи в текст.

147скачиваний за 30 дней1лайквеса обновлены10 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 himalaya-ai/whisper-large-v3-turbo — дообученная для распознавания непальской речи версия Whisper large-v3-turbo от OpenAI. Она принимает аудио и преобразует речь в текст; модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и распространяется в формате safetensors. Для обучения использован набор lilgoose7777/slr-combined-nepali-tts2.

В тестировании указаны WER 15,44% и CER 10,01%. Обучающие данные состоят из чистых студийных записей одного диктора, поэтому точность может снижаться на шумных записях, речи нескольких людей и при сильных акцентах. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация речи на непальском языке
  • распознавание непальской речи в чистых аудиозаписях
  • получение текстовой расшифровки студийных записей на непальском

Ограничения

Обучение проводилось на чистых студийных записях одного диктора, поэтому качество может быть ниже на шумном аудио, при нескольких говорящих или сильных акцентах.

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

Whisper large-v3-turbo -- Nepali ASR (fine-tuned)

Nepali fine-tune of openai/whisper-large-v3-turbo for transcribe.

Results

MetricValue
Test WER15.44%
Test CER10.01%
Best eval WER16.97%
Steps trained9368

Training configuration

ParameterValue
Base modelopenai/whisper-large-v3-turbo
Language / tasknepali / transcribe
Epochs1.0
Learning rate1e-05
LR schedulelinear with 5% warmup ratio
Per-device train batch8
Grad accumulation steps8
Effective batch size64
Per-device eval batch8
Precisionbf16
Gradient checkpointingFalse
Optimizeradamw_torch
Weight decay0.0
Max grad norm1.0
Max label length448 tokens
Generation max length225
Eval / save strategyper epoch (best model by WER kept)
Seed42

Data

ParameterValue
Datasetlilgoose7777/slr-combined-nepali-tts2
Rows requested0
Split80% / 10% / 10% (train/val/test)
Train / val / test examples599608 / 74951 / 74951
Per-epoch validation subset500 (test metrics use 2000 test examples)
Audio sampling rate16 kHz mono
Checkpoint backupsmilanakdj/whisper-large-v3-turbo-nepali-checkpoints

The training corpus is clean single-speaker studio audio, so expect degraded accuracy on noisy real-world recordings with background noise, multiple speakers, or strong accents.

Usage

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor

model_id = "milanakdj/whisper-large-v3-turbo-nepali-final-corpus"
device   = "cuda" if torch.cuda.is_available() else "cpu"

processor = WhisperProcessor.from_pretrained(model_id, language="nepali", task="transcribe")
model     = WhisperForConditionalGeneration.from_pretrained(model_id).to(device)

# audio: 1-D float32 numpy array at 16kHz
inputs = processor(audio, sampling_rate=16000, return_tensors="pt").to(device)
with torch.inference_mode():
    ids = model.generate(inputs.input_features, max_new_tokens=225)

print(processor.batch_decode(ids, skip_special_tokens=True)[0])

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
f67b76d

0 моделей