/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
whisper-medium.en
Библиотека
transformers
Опубликована
23 фев 2026

whisper-accent-medium.en

Распознавание речиАудио → текст7 профессий

Дообученная версия Whisper medium.en для транскрибации английской речи с различными акцентами и их распознавания.

14скачиваний за 30 дней0лайковвеса обновлены1 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

whisper-accent-medium.en — дообученная модель на основе OpenAI Whisper medium.en для распознавания и транскрибирования английской речи с разными акцентами. Она использует архитектуру Whisper и реализует обусловливание декодера на выученные представления акцентов через Adaptive Layer Normalization (AdaLN). Акцент оценивается по скрытым состояниям энкодера с помощью классификатора, а обучались только добавленные компоненты и представления акцентов; энкодер и декодер Whisper оставались замороженными. Всего в модели 839 897 904 параметра, около 9% из них обучались.

Модель предназначена для транскрибации английской речи с разнообразными акцентами. В README указаны результаты оценки: WER 0,0939 и точность определения акцента 0,9615. Это результаты на наборе оценки, поэтому качество на других аудиозаписях может отличаться. Модель распространяется по лицензии Apache-2.0 и сохранена в формате safetensors.

Сценарии применения

  • транскрибация английской речи с разными акцентами
  • распознавание английской речи в аудиозаписях
  • оценка акцента говорящего при транскрибации

Ограничения

Указанные метрики получены на наборе оценки English_Accent_DataSet; качество на других акцентах и условиях записи может отличаться.

Для каких профессий подходит7

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-accent-medium.en

This model is a fine-tuned version of openai/whisper-medium.en on the westbrook/English_Accent_DataSet dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2273
  • Wer: 0.0939
  • Accent Accuracy: 0.9615

Model description

Make Whisper better at transcribing diverse English accents by conditioning the decoder on learnt accent embeddings via Adaptive Layer Normalization (AdaLN). Built on top of OpenAI Whisper using Hugging Face Transformers.

  • Extends Whisper with per-accent conditioning via AdaLN in every decoder layer where the weights are trained with zero-initialization while the bias is initialized to pretrained LayerNorm gamma and beta values and frozen.
  • Accent embeddings learnt for each accent independently and used to modulate decoder LayerNorms via AdaLN.
  • Accents predicted from encoder hidden states via a classifier head:
    • Learnable weighted sum across all layers + input embeddings
    • Projection layer
    • Multi-head attention pooling over time
  • Encoder & decoder remain completely frozen throughout training
  • Only <10% of parameters are trained (AdaLN modulation weights, accent embeddings, accent classifier)

Parameter Count

  • Total: 839,897,904
  • Original: 763,856,896
  • Added: 76,041,008 (9.05%)
    • Accent Classifier: 531,760
    • AdaLN + Accent Embeddings: 75,509,248

Training procedure

Training follows a two-stage optimization scheme:

  1. Stage 1: Accent Classifier Training (mavleo96/whisper-accent-medium.en-accent-head-only)

    • Initialization: The model is initialized from a pretrained English Whisper checkpoint (e.g. openai/whisper-small.en), and all encoder/decoder weights are kept fixed.
    • Trainable components:
      • Accent classification stack: layer-fusion weights over encoder representations, projection layer, multi-head attention pooling, and the final accent classifier.
    • Learning objective:
      • The model is optimized solely for accent classification with respect to the ground-truth accent labels (lambda_ce = 0.0, lambda_accent = 1.0).
  2. Stage 2: Decoder AdaLN + Accent Embeddings Training

    • Initialization: The checkpoint obtained from Stage 1 is used as base_model_name_or_path.
    • Trainable components:
      • Decoder-side AdaLN modulation parameters
      • Accent embeddings, updated with a dedicated embedding_learning_rate
    • Learning objective:
      • The model is optimized only for automatic speech recognition using cross-entropy on reference transcripts (lambda_ce = 1.0, lambda_accent = 0.0).
      • Ground-truth accent labels are used to condition the decoder while training; Predicted accent labels are used at evaluation time.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 4
  • eval_batch_size: 4
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 2
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 32
  • total_eval_batch_size: 8
  • optimizer: Use OptimizerNames.ADAMW_TORCH 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: 0.05
  • num_epochs: 2.0

Training results

Training LossEpochStepValidation LossWer
No log001.32380.1259
0.50560.12702000.37840.1101
0.34820.25414000.27830.1450
0.33380.38116000.26030.1324
0.23830.50828000.24970.0970
0.26600.635210000.24340.0959
0.28690.762312000.23980.0969
0.27230.889314000.23440.0944
0.26281.015916000.23240.0942
0.33971.142918000.23040.0944
0.23291.270020000.22730.0939
0.31111.397022000.22640.0943
0.19201.524124000.22620.0940
0.29961.651126000.22410.0942
0.24381.778128000.22390.0939
0.21481.905230000.22320.0939

Framework versions

  • Transformers 5.2.0
  • Pytorch 2.10.0+cu128
  • Datasets 4.5.0
  • Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
1c10954

0 моделей