/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
shan-stt-v2
Библиотека
transformers
Опубликована
4 окт 2026

shan-stt-v3

Распознавание речиАудио → текст

Дообученная модель Whisper для автоматического преобразования речи в текст.

66скачиваний за 30 дней1лайквеса обновлены4 окт 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

k1ngtai/shan-stt-v3 — дообученная модель распознавания речи на архитектуре Whisper, разработанная автором репозитория. Модель содержит 153,1 млн параметров и предназначена для преобразования аудио в текст. В карточке указана оценка на наборе проверки: WER 89,5425 и CER 19,6965; без сведений о наборе данных и методике оценки эти результаты трудно интерпретировать.

Модель распространяется в формате Safetensors через Transformers по лицензии MIT. Карточка не описывает поддерживаемые языки, контекст аудио, условия записи или конкретные сценарии применения.

Сценарии применения

  • транскрибация аудиозаписей
  • распознавание речи в аудио
  • преобразование устной речи в текст

Ограничения

Поддерживаемые языки и характеристики обучающих данных не описаны. Указанная WER высокая, но без сведений о тестовом наборе и методике её интерпретация ограничена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

shan-stt-v3

This model is a fine-tuned version of k1ngtai/shan-stt-v2 on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2857
  • Model Preparation Time: 0.0053
  • Wer: 89.5425
  • Cer: 19.6965

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 100
  • training_steps: 2000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossModel Preparation TimeWerCer
0.004212.52500.24200.005392.156923.2369
0.000225.05000.26240.005388.888920.4552
0.000037.57500.27540.005390.196120.0056
0.000050.010000.28170.005390.196119.8932
0.000062.512500.28570.005389.542519.6965
0.000075.015000.28860.005389.542519.9494
0.000087.517500.29070.005389.542520.0899
0.0000100.020000.29120.005390.196120.0056

Framework versions

  • Transformers 5.0.0
  • Pytorch 2.10.0+cu128
  • Datasets 3.6.0
  • Tokenizers 0.22.2

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
d531b17

0 моделей