/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
4 мар 2025

whisper-large-v3

Распознавание речиАудио → текст4 профессии

Дообученная ivrit-ai версия Whisper large-v3 для транскрибации речи на иврите.

10 874скачиваний за 30 дней26лайковвеса обновлены22 мая 2025

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

ivrit-ai разработала эту модель как дообученную версию OpenAI Whisper large-v3 для распознавания речи на иврите. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров; она принимает аудио и преобразует его в текст. Модель обучена на наборах расшифровок публичных аудиозаписей, чтения фрагментов Википедии и пленарных заседаний Кнессета.

Модель предназначена прежде всего для транскрибации аудио на иврите, в том числе публичных выступлений и записей заседаний. Для работы следует явно задавать язык Hebrew. По сравнению с исходной Whisper large-v3, способность определять язык ухудшилась, а перевод аудио не обучался и работает неудовлетворительно. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация выступлений на иврите
  • расшифровка записей заседаний Кнессета
  • преобразование аудио на иврите в текст
  • распознавание чтения текстов на иврите

Ограничения

Модель рассчитана преимущественно на аудио на иврите: определение языка ухудшено, поэтому язык нужно задавать явно. Перевод аудио не обучался и не подходит для надёжного использования.

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

Model Card for Model ID

This model is a Hebrew finetune (continued training) of the OpenAI Whisper Large v3 model.

Model Details

Model Description

  • Developed by: ivrit-ai
  • Language(s) (NLP): Hebrew
  • License: Apache-2.0
  • Finetuned from model openai/whisper-large-v3
  • Training Date Apr 2025

Bias, Risks, and Limitations

Language detection capability of this model has been degraded during training - it is intended for mostly-hebrew audio transcription. Language token should be explicitly set to Hebrew.

Additionally, the tanslation task was not trained and also degraded. This model would not be able to translate in any reasonable capacity.

How to Get Started with the Model

Please follow the original model card for usage details - replacing with this model name. You can also fine other weight formats ad quantizations on the ivrit ai HF page.

We created some simple example scripts using this model and weights for other inference runtimes. Find those in the "examples" folder within the training GitHub repo.

Training Details

Training Data

This model was trained on the following datasets:

Training Procedure

This model was trained in two main phases:

  • Knesset based pre-training - over all ~4700h of data - 3 epochs, ~54h run
  • Mixed post-training over all crowd-transcribe-v5 (300h), crowd-recital-whisper-training (50h) and highest-quality filtered knessets data (150h) - 1 epoch
  • Interleaving of datasets with sampling probs: (0.9, 0.025, 0.075) respectively
  • Note that crowd-transcribe-v5 has about 5x shorter samples on average thus the over-sampling.

This model is a weighted-average of the 3 lowest eval loss checkpoints from the same training run. Training code can be found on the ivrit-ai Github here

Preprocessing

The "Crowd Recital" and "Knesset" datasets contain timestamps and previous text following the Whisper expected inputs. Timestamps were used from 40% of samples from those datasets, and 50% of the previous text was used.

The "Crowd Transcribe" datasets has no timestamps or previous text and this preprocessing only included melspec feature extraction and text encoding.

Preprocessing code can be found within the training code repository.

Datasets were interleaved with 0.15:0.8:0.05 ratio (knesset:crowd-transcribe:crowd-recital).

Training Hyperparameters

  • Training regime: bf16 mixed precision with sdpa
  • Learning Rate: 1e-5, Linear decay, 800 steps warmup for 3 epochs
  • Batch Size: 32

Training Hardware / Duration

  • GPU Type: 8 x Nvidia A40 machine
  • Duration: ~60 run across both phases

Evaluation

Please refer to the ivrit-ai/hebrew-transcription-leaderboard

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
766847c

0 моделей