/ Модель

Характеристики

Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Опубликована
12 мая 2026

whisper-large-v3-turbo-egyptian-code-switching

Распознавание речиАудио → текст4 профессии

Модель Whisper, дообученная для расшифровки египетской арабской речи с переключением на английский и записью английских слов латиницей.

259скачиваний за 30 дней0лайковвеса обновлены13 мая 2026

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 модель автоматического распознавания речи, созданная Мохаммедом Али тонкой настройкой openai/whisper-large-v3-turbo на наборе MohamedRashad/arabic-english-code-switching. Она преобразует аудио с египетской арабской речью в текст и при переключении на английский старается записывать английские слова латиницей, а не арабским письмом. Модель основана на архитектуре Whisper и содержит 809 млн параметров.

Модель предназначена для расшифровки речи с переключением между египетским арабским и английским, например разговоров с распространёнными английскими терминами. Лицензия — MIT. Для лучшего распознавания рекомендуется монофоническое аудио с частотой 16 кГц; максимальная длина сегмента — 30 секунд.

Сценарии применения

  • расшифровка египетской арабской речи с английскими словами
  • субтитры для разговоров на египетском арабском и английском
  • транскрибирование диктовки с распространёнными английскими терминами

Ограничения

Оптимизирована для египетского диалекта и может хуже работать с другими диалектами арабского; распознавание переключений лучше для распространённых английских слов. Рекомендуется монофоническое аудио 16 кГц, сегменты ограничены 30 секундами.

Для каких профессий подходит4

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

Whisper Large V3 Turbo — Egyptian Arabic Code-Switching

Fine-tuned openai/whisper-large-v3-turbo for Egyptian Arabic with Arabic↔English code-switching support.

Model Details

PropertyValue
Base modelopenai/whisper-large-v3-turbo (809M params)
Fine-tuned onMohamedRashad/arabic-english-code-switching
LanguageEgyptian Arabic + English (code-switching)
TrainingEncoder frozen, decoder fine-tuned
Precisionbfloat16

What Does It Do?

The base Whisper model transcribes everything in Arabic script, even English words. This fine-tuned version outputs English words in English when the speaker code-switches.

Example

Audio content: A speaker saying "تعالوا نبني مع بعض برنامج توصيل أكل... من غير ما نكتب ولا سطر code... عن طريق منصة Replit... منزلين عندهم Agent 4"

ModelOutput
Base whisper-large-v3-turboتعالوا نبني مع بعض برنامج توصيل أكل من غير ما نكتب ولا سطر كود عن طريق منصة ريبليت منزلين عندهم إيجنت فور
This modelتعالوا نبني مع بعض برنامج توصيل أكل من غير ما نكتب ولا سطر code عن طريق منصة Replit منزلين عندهم Agent 4

Usage

Using pipeline (simplest)

from transformers import pipeline, AutoProcessor
import torch

model_id = "mohammedaly22/whisper-large-v3-turbo-egyptian-code-switching"

# Manually load the processor
processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model_id,
    processor=processor,
    torch_dtype=torch.float16, # Better for CUDA
    device="cuda",
    chunk_length_s=30,
)

result = pipe(
    "/path/to/audio.wav", 
    generate_kwargs={"language": "arabic", "task": "transcribe"},
)

print(result["text"])

Using Processor + Model

import torch
import librosa
from transformers import WhisperProcessor, WhisperForConditionalGeneration

model_id = "mohammedaly22/whisper-large-v3-turbo-egyptian-code-switching"

processor = WhisperProcessor.from_pretrained(model_id)
model = WhisperForConditionalGeneration.from_pretrained(model_id, torch_dtype=torch.bfloat16).to("cuda")

# Load audio
audio, sr = librosa.load("path/to/audio.wav", sr=16000)

# Process
input_features = processor.feature_extractor(
    audio, sampling_rate=16000, return_tensors="pt"
).input_features.to(device="cuda", dtype=torch.bfloat16)

# Generate
with torch.no_grad():
    generated_ids = model.generate(
        input_features,
        max_new_tokens=444,
        language="ar",
        task="transcribe",
    )

# Decode
text = processor.tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(text)

Batch Inference

import torch
import librosa
from transformers import WhisperProcessor, WhisperForConditionalGeneration

model_id = "mohammedaly22/whisper-large-v3-turbo-egyptian-code-switching"
processor = WhisperProcessor.from_pretrained(model_id)
model = WhisperForConditionalGeneration.from_pretrained(model_id, torch_dtype=torch.bfloat16).to("cuda")

audio_files = ["audio1.wav", "audio2.wav", "audio3.wav"]
audios = [librosa.load(f, sr=16000)[0] for f in audio_files]

inputs = processor.feature_extractor(
    audios, sampling_rate=16000, return_tensors="pt", padding=True
)
input_features = inputs.input_features.to(device="cuda", dtype=torch.bfloat16)

with torch.no_grad():
    generated_ids = model.generate(
        input_features,
        max_new_tokens=444,
        language="ar",
        task="transcribe",
    )

texts = processor.tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
for t in texts:
    print(t)

Training Details

  • Method: Encoder frozen, decoder-only fine-tuning
  • Dataset: 12,180 train / 300 eval samples from MohamedRashad/arabic-english-code-switching
  • Learning rate: 1e-5 with cosine schedule
  • Batch size: 16 (8 × 2 gradient accumulation)
  • Epochs: 5
  • Precision: bfloat16

Limitations

  • Optimized for Egyptian Arabic dialect — may not generalize well to other Arabic dialects
  • Code-switching performance is best for common English terms
  • Audio should be 16kHz mono for best results
  • Maximum audio length: 30 seconds per segment

Citation

If you use this model, please cite the base model and dataset:

@misc{whisper-large-v3-turbo-egyptian-cs,
  title={Whisper Large V3 Turbo — Egyptian Arabic Code-Switching},
  author={Mohammed Aly},
  year={2025},
  url={https://huggingface.co/mohammedaly22/whisper-large-v3-turbo-egyptian-code-switching}
}

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
2d9f614

0 моделей