/ Модель

Характеристики

Параметры
905 млн
Лицензия
Своя лицензия
Архитектура
whisper · dense
Базовая модель
paza-whisper-large-v3-turbo
Библиотека
transformers
Опубликована
12 мая 2026

sauti-asr

Распознавание речиАудио → текст8 профессий

Дообученная модель Whisper для транскрибации речи на суахили, особенно кенийского варианта.

25скачиваний за 30 дней3лайкавеса обновлены12 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

msingiai/sauti-asr — модель распознавания речи на суахили, разработанная Msingi AI в рамках конвейера Sauti ASR и дообученная на базе microsoft/paza-whisper-large-v3-turbo. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,3 млн параметров; она принимает аудио и преобразует его в текст. В карточке указано, что это текущий предварительный кандидат Track A для оценки в исследованиях и продуктах. На тесте из 500 образцов кенийской речи на суахили получены WER 13,72% и CER 3,88%.

Сценарии применения

  • транскрибация записей на суахили
  • распознавание кенийской речи на суахили
  • оценка качества систем ASR для суахили
  • прототипирование приложений транскрибации на суахили

Ограничения

Модель хуже распознаёт речь с переключением между суахили и английским, имена собственные, сокращения и числа. Для длинных записей рекомендуется разбивать аудио на фрагменты; оценка в карточке основана на 500 образцах кенийской речи на суахили.

Для каких профессий подходит8

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

msingiai/sauti-asr

This card describes the current Track A production candidate from the repo. The public-facing training-data summary omits restricted internal sources, but this does not imply a fresh clean-release retrain.

Model Summary

This model is a fine-tuned version of microsoft/paza-whisper-large-v3-turbo for Swahili automatic speech recognition. It comes from the Sauti ASR Track A pipeline in the sauti-asr repository.

Intended Release Type

  • Release profile: current-preview
  • Intended use: Public research and product evaluation

Evaluation Snapshot

The current repo Track A checkpoint was evaluated on 500 held-out Kenyan Swahili samples.

MetricValue
WER13.72%
CER3.88%
Reference words10395

Training Data

The release flow in this repository tracks the following dataset mix:

DatasetLicenseNotes
mozilla-common-voiceCommon Voice (CC0)Used in repo Track A pipeline
google-fleursFLEURS (CC-BY-4.0)Used in repo Track A pipeline
alffa-swahili-newsALFFA / OpenSLR (MIT)Used in repo Track A pipeline
keystats-swahili-asr-dataKeyStats (Apache-2.0)Used in repo Track A pipeline

Known Limitations

  • Performance is weaker on code-switched Swahili/English speech.
  • Named entities, abbreviations, and numbers remain difficult.
  • Long-form transcription should use chunking instead of a single-pass decode.
  • The checkpoint is useful for Swahili ASR evaluation and product prototyping, but the public metadata profile is narrower than the full historical repo training mix.

Usage

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

model_id = "msingiai/sauti-asr"
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

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(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
    chunk_length_s=25,
)

result = pipe("audio.wav")
print(result["text"])

Source Repository

The training, evaluation, and serving code lives in:

  • Msingi-AI/sauti-asr

Responsible Use

This model transcribes speech. Users are responsible for obtaining rights and consent for audio they process, especially for clinical, customer-support, or other sensitive recordings.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
84af696

0 моделей