/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
MIT
Архитектура
whisper · dense
Опубликована
21 ноя 2025

whisper-large-v3

Распознавание речиАудио → текст9 профессий

Дообученная Whisper Large-v3 для распознавания и нормализованной расшифровки речи на кхмерском языке.

860скачиваний за 30 дней1лайквеса обновлены26 ноя 2025

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

Methystorn выпустил дообученную версию OpenAI Whisper Large-v3 для автоматического распознавания речи на кхмерском языке. Модель принимает аудио и преобразует речь в текст; она рассчитана на сценарии, где важна нормализация числительных, денежных сумм и дат.

Модель построена на архитектуре Whisper и содержит 905,2 млн параметров. В репозитории представлены веса safetensors, лицензия — MIT. Разработчик указывает кхмерский язык (km-KH); сведений о длине контекста нет.

Сценарии применения

  • Расшифровка кхмерской речи в текст
  • Транскрибация записей с нормализацией числительных
  • Распознавание произнесённых денежных сумм
  • Расшифровка дат в аудиозаписях

Ограничения

Качество проверено только на внутренних валидационных и тестовых выборках. Длинные записи, акценты вне обучающего распределения и шумный фон могут ухудшать точность.

Для каких профессий подходит9

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 Khmer ASR

Fine-tuned variant of openai/whisper-large-v3 for Khmer automatic speech recognition. The model was trained with the utilities in whisper and is intended for transcription workloads that prioritize Khmer text normalization, including numerals, currency, and date expressions.

Model Card

AttributeValue
Base modelopenai/whisper-large-v3
LanguageKhmer (km-KH)
TaskAutomatic Speech Recognition (speech-to-text)
Sample rate16 kHz audio, automatically resampled
Input lengthUp to 30 s clips (truncated during batching)
Finetuning dataasr_mixed_dataset.txt (internal manifests, normalized through dataset_builder.segment_text)
Epochs10
Batch size2 (gradient accumulation 1)
OptimizerAdamW (managed by Seq2SeqTrainer)
Learning rate1e-6 with cosine scheduler & 1k warmup steps
NormalizationKhmer-specific regex and rule-based normalization (khmerspeech, khmercut)
DatasetTraining with Mixed Khmer & English audio with 199K samples (225 hours), train all khmer public dataset + humaned label dataset
Training TimeTraining with Mixed precision with RTX-5090 VRAM 32GB for 10 days

Limitations: performance has been validated only on internal validation/test splits. Long-form audio, accents outside the training distribution, or noisy backgrounds may degrade accuracy.

Inference Examples

import torch
import torchaudio
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline


AUDIO_PATH = "audio_path.wav" 


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model_id = "metythorn/whisper-large-v3"
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id,
    torch_dtype=torch_dtype,
    low_cpu_mem_usage=True,
    use_safetensors=True,
)
model.to(device)
processor = AutoProcessor.from_pretrained(model_id)

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

speech_waveform, sr = torchaudio.load(AUDIO_PATH)

# Whisper expects 16kHz mono
if sr != 16000:
    speech_waveform = torchaudio.functional.resample(
        speech_waveform, 
        orig_freq=sr, 
        new_freq=16000
    )
speech_waveform = speech_waveform.squeeze().numpy()
result = pipe(speech_waveform)

print("Transcription:", result["text"])

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
6bf8241

0 моделей