/ Модель

Характеристики

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

whisper-medium-es-500-steps_removed_lengths_sin-proc-def5

Распознавание речиАудио → текст5 профессий

Дообученная на Common Voice 17.0 модель Whisper Medium для распознавания испанской речи и её преобразования в текст.

139скачиваний за 30 дней0лайковвеса обновлены6 сен 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

Это дообученная версия Whisper Medium, созданная автором репозитория на основе openai/whisper-medium и обученная 500 шагов на испанской версии датасета Common Voice 17.0. Данные были приведены к частоте 16 кГц; текст не проходил дополнительную обработку.

Модель предназначена для автоматической расшифровки испанской речи в текст. В README приведены результаты на оценочной выборке: WER 6,159 и WER Ortho 10,8189. Архитектура Whisper содержит 455,8 млн параметров; модель работает с аудиовходом и текстовым выводом. Используется библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

Карточка не описывает ограничения и дополнительные сценарии использования; качество за пределами указанного оценочного набора не установлено.

Сценарии применения

  • расшифровка испанской речи
  • транскрибация записей Common Voice
  • распознавание речи в аудиозаписях с частотой 16 кГц

Ограничения

В README нет сведений об ограничениях; приведённые метрики относятся только к оценочной выборке. Обобщение на другие источники испанской речи не подтверждено.

Для каких профессий подходит5

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 Medium CV17 Es 500 steps trained with our def5 on mmarron14/fixie_removed_columns_16kHz_lengths that is without processing of text

This model is a fine-tuned version of openai/whisper-medium trained on our dataset mmarron14/fixie_removed_columns_16kHz_lengths, that is, our resampled to 16kHz version of fixie-ai/common_voice_17_0 dataset without text processing. It achieves the following results on the evaluation set:

  • Loss: 0.1753
  • Wer Ortho: 10.8189
  • Wer: 6.1590

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 2
  • eval_batch_size: 4
  • seed: 42
  • gradient_accumulation_steps: 32
  • total_train_batch_size: 64
  • 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: 50
  • training_steps: 500
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer OrthoWer
0.21330.21000.196011.75157.0215
0.19510.42000.189511.37156.5620
0.20390.63000.183111.27346.5289
0.18360.84000.177310.89536.2499
0.17521.05000.175310.81896.1590

Framework versions

  • Transformers 4.53.2
  • Pytorch 2.11.0+cu128
  • Datasets 4.0.0
  • Tokenizers 0.21.4

Dataset Sources

  • Original dataset repository: fixie-ai/common_voice_17_0
  • Our version of the dataset's Repository : mmarron14/fixie_removed_columns_16kHz_lengths

Citation

  • Fixie-ai (2024). Common Voice (Version 17.0). [Dataset]. Hugging Face. (https://huggingface.co/datasets/fixie-ai/common_voice_17_0)

  • Ardila, R., Branson, M., Davis, K., Henretty, M., Kohler, M., Meyer, J., Morais, R., Saunders, L., Tyers, F. M., & Weber, G. (2020). Common voice: A massively-multilingual speech corpus. LREC 2020 - 12th International Conference on Language Resources and Evaluation, Conference Proceedings, 4218-4222.

  • Radford, Alec & Kim, Jong & Xu, Tao & Brockman, Greg & McLeavey, Christine & Sutskever, Ilya. (2022). Robust Speech Recognition via Large-Scale Weak Supervision. 10.48550/arXiv.2212.04356.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
bf5be53

0 моделей