/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Своя лицензия
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
17 июл 2026

whisper-sinhala-small

Распознавание речиАудио → текст4 профессии

Дообученная версия Whisper-small для транскрибирования сингальской речи в текст.

45скачиваний за 30 дней0лайковвеса обновлены17 июл 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

hlasith/whisper-sinhala-small — модель распознавания речи на сингальском языке, созданная дообучением Whisper-small от OpenAI. Она принимает аудио и генерирует текстовую транскрипцию письмом сингальского языка. Модель построена на архитектуре WhisperForConditionalGeneration и содержит около 244 млн параметров; для работы используется библиотека Transformers.

Модель предназначена для транскрибирования аудио на сингальском, в том числе вокала. В README приведены результаты оценки на 10 примерах: WER 61,73% и CER 14,86%; автор сообщает об улучшении относительно базовой модели, однако небольшой размер проверки не позволяет считать эти показатели универсальными. Модель обучалась на сингальском речевом корпусе из примерно 10 000 примеров и оптимизирована для одного языка.

По данным README, качество может снижаться на аудио вне обучающего корпуса, например на новостях и технической речи; ошибки транскрипции остаются заметными. Модель настроена без временных меток, а многоязычные возможности исходного Whisper-small деградировали. В метаданных указана лицензия other, поэтому конкретные условия использования следует уточнять в карточке модели.

Сценарии применения

  • транскрибирование речи на сингальском языке
  • расшифровка сингальского вокала и песен
  • получение текстовых расшифровок сингальских аудиозаписей

Ограничения

По README, на оценке из 10 примеров WER составил 61,73%, а качество может снижаться на аудио вне обучающего корпуса; временные метки не поддерживаются. Многоязычные возможности базовой модели деградировали, а метаданные указывают лицензию other без уточнения её условий.

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 Sinhala Small

A fine-tuned Whisper-small model for Sinhala (සිංහල) speech recognition. This model significantly improves transcription quality for Sinhala language audio compared to the base openai/whisper-small model, which has no native Sinhala support.

Key Improvements

MetricBase whisper-smallFine-tunedImprovement
WER (Word Error Rate)130.86%61.73%−69.13 pp (45% relative)
CER (Character Error Rate)244.38%14.86%−229.52 pp (94% relative)

Evaluated on 10 validation audio samples from the Sinhala speech corpus.

Why Fine-tuning is Essential

The base Whisper-small model was not trained on Sinhala and produces unusable output — mixing Greek, Telugu, Tamil, Arabic, and Hindi characters with English phrases on Sinhala audio. Fine-tuning transforms this into meaningful Sinhala transcription.

Example (Sinhala song vocals, ~4.7 min):

Transcript
Base whisper-smallὁ ὁ ὁ ... వార్ల్ల్ల్ ... I'm running, running, running ... My dear, my dear ... Thank you very much for your time ... (gibberish: Greek, Telugu, English, Arabic, Tamil)
Fine-tuned Sinhalaසුවදට මද නළයි විසික්කල්‍ය සිවදට මද නළයි විසික්කල්‍ය ... සමුදුරු‍රපටු පොල රැලින්‍යේ ... හාමෝයේ වෝපේ ... (readable Sinhala with correct phonetic patterns)

Model Details

PropertyValue
Base modelopenai/whisper-small
ArchitectureWhisperForConditionalGeneration
Parameters~244M (12 encoder, 12 decoder, d_model=768)
LanguageSinhala (si-LK)
TaskAutomatic Speech Recognition (transcription)
Training steps5,000
Learning rate1e-4
Batch size2 (per device), gradient accumulation: 4
PrecisionFP32 (for MPS/CUDA compatibility)

Dataset

Fine-tuned on the Sinhala speech corpus (audio_data/si_lk.lines.txt):

  • Format: ( audio_id "transcript" ) per line
  • Audio: 16 kHz mono WAV files
  • Split: 90% training / 10% validation (random seed 42)
  • Training samples: ~10,000+
  • Validation samples: 10 samples used for WER/CER evaluation

Quick Start

Transcribe audio with the pipeline

from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
import torch

model_id = "harshanaDisa/whisper-sinhala-small"

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float32

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    device=device,
    torch_dtype=torch_dtype,
    chunk_length_s=30,
    stride_length_s=5,
)

result = pipe("path/to/audio.mp3")
print(result["text"])

Command-line usage (local)

# Clone repo and transcribe
git clone https://github.com/harshanaDisa/whisper-sinhala.git
cd whisper-sinhala
python transcribe_vocals.py

Training

# Install dependencies
python -m venv .venv && source .venv/bin/activate
pip install torch transformers accelerate soundfile librosa jiwer datasets pandas

# Prepare dataset
python create_samples.py

# Train
python train.py

# Evaluate (fine-tuned only)
python test_model.py

# Compare against base whisper-small
python test_model.py --compare

Limitations

  • Domain-specific: Fine-tuned on a specific Sinhala speech corpus; performance may vary on out-of-domain audio (e.g., news, technical content)
  • WER still ~62%: The error rate is significantly better than the base model but not perfect — further training or a larger dataset would help
  • No timestamps: The model is configured without timestamp tokens (50363) for cleaner transcription output
  • Single language: Optimized for Sinhala only; multilingual capabilities of the base Whisper model are degraded

Reproduction

The full training code, dataset preparation scripts, and evaluation pipeline are available in the GitHub repository.

License

This model is released for research and educational purposes. The base Whisper architecture is by OpenAI; the fine-tuned weights are derived from openai/whisper-small.

Citation

@inproceedings{radford2022whisper,
  title={Robust Speech Recognition via Large-Scale Weak Supervision},
  author={Radford, Alec and others},
  booktitle={ICML},
  year={2023}
}

Links

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
21155f6

0 моделей