/ 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
23 июн 2026

whisper-large-v3-sk

Распознавание речиАудио → текст5 профессий

Дообученная командой KInIT модель Whisper large-v3 для транскрибации словацкой речи, в том числе при наличии фонового шума.

426скачиваний за 30 дней1лайквеса обновлены21 авг 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

kinit/whisper-large-v3-sk — модель распознавания словацкой речи, разработанная командой KInIT на основе Whisper large-v3 от OpenAI. Модель с архитектурой Whisper encoder-decoder дообучена на словацком речевом корпусе; в метаданных указано 905,2 млн параметров. Для повышения устойчивости к шуму при обучении применялась аугментация фоновой среды.

Модель предназначена для автоматической транскрибации словацкой речи в разных предметных областях и условиях записи. В оценке на Common Voice 24.0 указаны WER 7,68% и CER 2,27%; на внутреннем тестовом наборе KInIT — WER 5,67% и CER 3,01%. Модель опубликована в формате safetensors и используется через Transformers.

Дообучение только на словацких данных существенно ухудшило распознавание других языков, поэтому для многоязычной транскрибации следует использовать базовую Whisper large-v3. Качество может снижаться на сильных акцентах, диалектах и речи из областей, слабо представленных в обучении; надёжная длина одного сегмента без разбиения — до 30 секунд. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация словацких записей совещаний
  • распознавание словацкой речи в лекциях и выступлениях
  • расшифровка словацких аудиозаписей с фоновым шумом

Ограничения

Дообучение на словацком языке значительно ухудшило качество для других языков. Качество может снижаться на сильных акцентах, диалектах и мало представленной в обучении речи; для сегментов длиннее 30 секунд требуется разбиение.

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-sk

Slovak fine-tune of openai/whisper-large-v3 by the KInIT team. Full parameter fine-tuning on a curated Slovak speech corpus, with noise augmentation for robustness to real-world recording conditions. Listed in SLAIH, a catalog of Slovak NLP resources.

Model Details

PropertyValue
Base modelopenai/whisper-large-v3
Parameters~1.55B
ArchitectureWhisper encoder-decoder
Fine-tuning methodFull fine-tuning
LanguageSlovak (sk)
TaskAutomatic Speech Recognition
LicenseApache 2.0

Intended Use

This model is intended for Slovak automatic speech recognition across a range of domains and recording conditions.

Out-of-scope: Non-Slovak audio, real-time streaming without appropriate chunking, safety-critical transcription without human review.

Evaluation

Word Error Rate (WER) and Character Error Rate (CER), lower is better. Measured on two Slovak eval sets:

  • CV24 - Common Voice 24.0 test split (5,239 samples, public)
  • Internal - held-out KInIT set (9,317 samples, stratified by domain and speaker gender, one third clean and two thirds noise-augmented; not public)

Before vs. after fine-tuning

ModelCV24 WER ↓CV24 CER ↓Internal WER ↓Internal CER ↓
kinit/whisper-large-v3-sk7.68%2.27%5.67%3.01%
openai/whisper-large-v319.70%5.55%16.22%7.89%

Slovak fine-tuning reduces WER by 61% on Common Voice and 65% on the internal eval set, at the cost of multilingual performance (see Limitations).

Choosing a model size

Comparison of all six Whisper sizes before and after Slovak fine-tuning. WER is measured on our internal benchmark dataset (see above):

ModelFine-tuned: WER ↓Base: WER ↓
Whisper Large v35.67%16.22%
Whisper Large v3 Turbo5.60%18.35%
Whisper Medium6.28%29.19%
Whisper Small8.64%47.90%
Whisper Base14.01%76.38%
Whisper Tiny20.04%99.47%

The full KInIT ASR collection includes all six Whisper sizes plus the NVIDIA NeMo fine-tunes (Canary, Parakeet).

Version History

  • v2 (current): Added noise augmentation during fine-tuning (75% of training batches) for improved robustness to real-world recording conditions.
  • v1: Original release, full fine-tuning without noise augmentation.
ReleaseCV24 WER ↓CV24 CER ↓Internal WER ↓Internal CER ↓
v2 (current)7.68%2.27%5.67%3.01%
v18.41%2.60%6.19%3.21%

Loading a specific release

Every release is tagged: v2.0 for the current release, v1.0 for the original one. main always points at the current release, so the Usage example below loads v2.

from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor

repo_id = "kinit/whisper-large-v3-sk"
revision = "v2.0"  # "v1.0" for the original release

model = AutoModelForSpeechSeq2Seq.from_pretrained(repo_id, revision=revision)
processor = AutoProcessor.from_pretrained(repo_id, revision=revision)

Pin revision in production code if you need reproducible results across future releases.

Training Data

Fine-tuned on an internal curated Slovak speech corpus compiled at KInIT. The corpus combines public datasets with internal KInIT recordings. Recordings containing personal data were anonymised prior to use. Samples were quality-filtered using a CER-based threshold validated against multiple ASR models. During training, 75% of batches were additionally augmented on the fly with synthetic background noise for robustness to real-world recording conditions (see Training Procedure below).

Data sources
SloPalSpeech
Municipal council session recordings
Read literature
Mozilla Common Voice
TEDxSK and JumpSK Lecture Speech Corpus
FLEURS read speech
Internal KInIT recordings

Training Procedure

HyperparameterValue
Epochs2
Learning rate5e-5
LR schedulerLinear with warmup
OptimizerAdamW
Effective batch size64
Precisionfp16
Noise augmentationApplied on the fly to 75% of training batches: phone noise, background speech, background noise, white noise, and packet loss
FrameworkHuggingFace Transformers Seq2SeqTrainer

Training was performed on the Devana HPC cluster.

Usage

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

model_id = "kinit/whisper-large-v3-sk"

device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id,
    dtype=dtype,
    use_safetensors=True,
).to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    dtype=dtype,
    device=device,
)

result = pipe("audio.wav", generate_kwargs={"language": "slovak"})
print(result["text"])

License

Apache 2.0

Limitations

  • Catastrophic forgetting: Fine-tuning exclusively on Slovak data significantly degrades performance on other languages. Use the base openai/whisper-large-v3 if multilingual transcription is required.
  • Performance may degrade on strongly accented, dialectal, or domain-specific speech not represented in the training data.
  • Maximum reliable single-segment length is 30 seconds without chunking.

Acknowledgements

Public datasets used in training: SloPalSpeech, Mozilla Common Voice, FLEURS, and the TEDxSK and JumpSK Lecture Speech Corpus (KEMT NLP).

(Part of the) Research results was obtained using the computational resources procured in the national project National competence centre for high performance computing (project code: 311070AKF2) funded by European Regional Development Fund, EU Structural Funds Informatization of society, Operational Program Integrated Infrastructure.

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
0316de0

0 моделей