/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
29 июн 2026

whispLM-600m

Распознавание речиАудио → текст3 профессии

Speech-LLM для распознавания речи на урду, сочетающая энкодер Whisper-tiny с декодером Qwen3-0.6B.

8скачиваний за 30 дней1лайквеса обновлены29 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

whispLM-600m — модель распознавания речи для низкоресурсного языка урду, разработанная авторами репозитория. Архитектура объединяет акустический энкодер Whisper-tiny с языковой моделью-декодером Qwen3-0.6B через обучаемый проектор сжатия; обучение проводилось по двухэтапной схеме. Модель принимает аудио и выдаёт текстовую транскрипцию на урду.

На тестовой выборке из 1000 примеров модель показала WER 0,5566 и CER 0,2805; авторы сообщают о снижении WER на 5,11% относительно дообученной Whisper-tiny. Для запуска нужны отдельные компоненты encoder/, llm/ и projector.pt: модель несовместима со стандартным интерфейсом transformers.pipeline для распознавания речи. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация речи на урду
  • распознавание урду в аудиозаписях
  • создание текстовых расшифровок низкоресурсной речи

Ограничения

В опубликованной оценке WER составляет 0,5566 на тестовой выборке из 1000 примеров. Модель требует раздельных компонентов encoder/, llm/ и projector.pt и не работает через стандартный transformers.pipeline для ASR.

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

whispLM-600m

whispLM-600m is a Speech-LLM for low-resource Urdu automatic speech recognition (ASR). It couples a Whisper-tiny acoustic encoder with a Qwen3-0.6B language model decoder via a learned compression projector, trained using a two-stage curriculum.

Architecture

Results

Evaluated on 1,000 test samples. Normalization: diacritics stripped, NFKC Unicode normalization applied.

ModelWER ↓CER ↓RTF ↓
whispLM-600m0.55660.28050.1953
voxbridge-37m (baseline)0.60760.24550.0268

whispLM-600m achieves 5.11% relative WER reduction over the fine-tuned Whisper-tiny baseline.

Usage

import torch, torchaudio
from transformers import WhisperModel, WhisperProcessor, AutoModelForCausalLM, AutoTokenizer

device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16

processor = WhisperProcessor.from_pretrained("mahwizzzz/whispLM-600m", subfolder="encoder")
encoder = WhisperModel.from_pretrained(
    "mahwizzzz/whispLM-600m", subfolder="encoder", torch_dtype=dtype
).encoder.to(device).eval()

tokenizer = AutoTokenizer.from_pretrained("mahwizzzz/whispLM-600m", subfolder="llm")
llm = AutoModelForCausalLM.from_pretrained(
    "mahwizzzz/whispLM-600m", subfolder="llm", torch_dtype=dtype
).to(device).eval()

projector_state = torch.load(
    hf_hub_download("mahwizzzz/whispLM-600m", "projector.pt"), map_location=device
)

audio, sr = torchaudio.load("audio.wav")
if sr != 16000:
    audio = torchaudio.functional.resample(audio, sr, 16000)
feats = processor.feature_extractor(
    audio.squeeze().numpy(), sampling_rate=16000, return_tensors="pt"
).input_features.to(dtype).to(device)

Note: whispLM-600m is a custom Speech-LLM with separate encoder/, llm/, and projector.pt components. It is not compatible with the default transformers.pipeline("automatic-speech-recognition") API.

Citation

@misc{mahwiz2026whisplm,
  title={whispLM: Two-Stage Speech-LLM for Low-Resource Urdu ASR},
  author={Mahwiz Khalil},
  year={2026},
  publisher={HuggingFace},
  url={https://huggingface.co/mahwizzzz/whispLM-600m}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
70b7a5f

0 моделей