/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
5 июл 2026

whisper-medium-supreme-court-hybrid

Распознавание речиАудио → текст3 профессии

Донастроенная версия Whisper medium для расшифровки англоязычных устных слушаний Верховного суда Индии.

14скачиваний за 30 дней0лайковвеса обновлены5 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

Это полная донастройка Whisper medium, созданная Kiran Devraj на основе openai/whisper-medium для распознавания аудио устных слушаний Верховного суда Индии. Модель содержит около 455,8 млн параметров и работает с аудио через архитектуру Whisper; целевой режим декодирования — английская транскрипция.

Модель предназначена для расшифровки судебных записей с юридической лексикой, ссылками на дела и именами участников; аудио может содержать отдельные фрагменты хинди, записанные латиницей. На отложенном тестовом наборе карточка сообщает WER 9,2 против 12,6 у базового Whisper medium. Для работы нужны монофонические аудиофрагменты 16 кГц длительностью до 30 секунд. Лицензия — Apache-2.0.

Сценарии применения

  • расшифровка записей судебных заседаний Верховного суда Индии
  • подготовка текстовых стенограмм устных слушаний
  • поиск юридических терминов и цитат в аудиозаписях заседаний
  • транскрибирование судебных аудио с именами участников и ссылками на дела

Ограничения

Оптимизирована для устных слушаний Верховного суда Индии на английском языке; хинди встречается лишь эпизодически и записан латиницей. Требуются монофонические аудиофрагменты 16 кГц длиной не более 30 секунд.

Для каких профессий подходит3

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-medium · Supreme Court hearings (hybrid dataset)

A full fine-tune of openai/whisper-medium (all 763M parameters) on the kirandevraj/supreme-court-hearings-asr dataset — 46.9 h of Indian Supreme Court hearing audio, sentence-aligned by a best-of-both (MMS-CTC + Whisper) forced-alignment pipeline.

Results

Whisper BasicTextNormalizer applied to both sides; WER/CER via jiwer. Trained on the by-case train split (24,422 clips); both eval sets are held out (the gold hearing is never trained on). Best checkpoint selected by validation WER.

Eval setModelWERCER
Held-out test (3,799)whisper-medium · zero-shot12.67.2
Held-out test (3,799)whisper-medium · fine-tuned (this)9.25.2
Human-verified gold (109)whisper-medium · zero-shot25.018.1
Human-verified gold (109)whisper-medium · fine-tuned (this)14.610.3

Validation WER during training reached 9.53 (CER 5.99). Fine-tuning cuts test WER ~27% relative and gold WER ~42% relative over zero-shot whisper-medium.

Training

  • Base: openai/whisper-medium (769M), full fine-tune (no LoRA)
  • Optimizer: AdamW, lr 1e-5, 50-step warmup, bf16, gradient checkpointing
  • Batch: effective 16 (per-device 8 × grad-accum 2)
  • Steps: 3000 (~2 epochs); decoding forced to English

Usage

import torch
from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="kirandevraj/whisper-medium-supreme-court-hybrid",
    torch_dtype=torch.float16,
    device=0,  # GPU; use -1 for CPU
)
out = asr("hearing_clip.wav", generate_kwargs={"language": "en", "task": "transcribe"})
print(out["text"])

Lower-level (processor + model):

import torch, soundfile as sf
from transformers import WhisperForConditionalGeneration, WhisperProcessor

repo = "kirandevraj/whisper-medium-supreme-court-hybrid"
proc = WhisperProcessor.from_pretrained(repo)
model = WhisperForConditionalGeneration.from_pretrained(repo, torch_dtype=torch.float16).to("cuda").eval()

audio, sr = sf.read("hearing_clip.wav")          # 16 kHz mono
feats = proc(audio, sampling_rate=16000, return_tensors="pt").input_features.to("cuda", torch.float16)
ids = model.generate(feats, language="en", task="transcribe")
print(proc.batch_decode(ids, skip_special_tokens=True)[0])

Notes

  • Audio must be 16 kHz mono; clips ≤ 30 s (the Whisper encoder window).
  • Domain: Indian Supreme Court oral hearings — English with occasional romanized Hindi, legal vocabulary, case citations, and speaker names.

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
b8b7eb8

0 моделей