/ Модель

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Опубликована
18 ноя 2025

whisper-large-v3-turbo

Распознавание речиАудио → текст6 профессий

Дообученная версия Whisper Large-v3 Turbo для транскрибирования кхмерской речи с нормализацией чисел, валют и дат.

399скачиваний за 30 дней2лайкавеса обновлены18 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

Это дообученная модель автоматического распознавания речи на основе Whisper Large-v3 Turbo от OpenAI, адаптированная для кхмерского языка. Она преобразует аудио в текст и предназначена для транскрибирования с нормализацией числительных, денежных сумм и дат.

Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате safetensors. Она рассчитана на кхмерскую речь, а в качестве лицензии указана MIT.

Качество проверялось только на внутренних валидационных и тестовых наборах. Точность может снижаться на длинных аудиозаписях, акцентах вне обучающей выборки и записях с фоновым шумом.

Сценарии применения

  • транскрибирование речи на кхмерском языке
  • нормализация числительных в кхмерских расшифровках
  • распознавание денежных сумм в кхмерской речи
  • расшифровка произнесённых дат на кхмерском

Ограничения

Качество проверялось только на внутренних валидационных и тестовых наборах. Длинные записи, акценты вне обучающей выборки и фоновый шум могут снижать точность.

Для каких профессий подходит6

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 Turbo Khmer ASR

Fine-tuned variant of openai/whisper-large-v3-turbo 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-turbo
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)
Epochs20
Batch size4 (gradient accumulation 2)
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 with 197K samples (221.36 hours)

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-turbo-mixed-20eps-clean-text-197k"
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
bd43b98

0 моделей