/ Модель

Характеристики

Лицензия
GPL 2.0
Архитектура
whipstr · dense
Опубликована
8 июл 2026

ipa-whipstr-medium-48khz-cv-21

Распознавание речиАудио → текст3 профессии

Whipstr Medium распознаёт речь на более чем 74 языках и выдаёт транскрипцию в IPA.

12скачиваний за 30 дней1лайквеса обновлены10 июл 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

Neurlang Whipstr Medium — модель распознавания речи, разработанная Neurlang на основе архитектуры Whipstr, трансформерной модели последовательность-в-последовательность. Она преобразует аудио в текстовую транскрипцию в Международном фонетическом алфавите (IPA) и обучена на данных Common Voice 21. Модель содержит около 51,7 млн параметров и занимает 642 МБ; поддерживает частоты дискретизации 8, 16, 24, 32 и 48 кГц, а при 11,025, 22,05 и 44,1 кГц качество снижается.

Модель предназначена для транскрибирования речи на более чем 74 языках, причём качество выше для языков с большим объёмом обучающих данных. В README приведены средние показатели CER 33,88% и WER 73% по поддерживаемым языкам, поэтому результаты могут требовать проверки и исправления, особенно для языков с малым объёмом данных. Распространяется по лицензии GPL-2.0.

Сценарии применения

  • транскрибирование речи в IPA
  • фонетическая разметка аудиозаписей
  • сравнение произношения между языками
  • подготовка многоязычных речевых данных для лингвистических исследований

Ограничения

Средние показатели по языкам составляют CER 33,88% и WER 73%; качество хуже для языков с меньшим объёмом данных. При частотах дискретизации 11,025, 22,05 и 44,1 кГц качество снижается.

Для каких профессий подходит3

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

Neurlang Whipstr STT (ASR)

A deep learning automatic speech recognition (ASR) system for transcribing speech audio into IPA text using transformer-based sequence-to-sequence models.

  • Language: Universal (IPA), 74+ languages
  • Model Github: neurlang/whipstr https://github.com/neurlang/whipstr
  • Model Dataset: Common Voice 21
  • Model-Native Sample Rates: 8000 Hz, 16000 Hz, 24000 Hz, 32000 Hz, 48000 Hz
  • Degraded-Performance Sample Rates: 11025 Hz, 22050 Hz, 44100 Hz
  • License: GPL v2
  • Release: 2026-07-09
  • Size: 642 MB
  • Total parameters:
    • Encoder: 7 237 024
    • Transformer: 44 499 744
    • Total: 51 736 768
  • CER: 33.88% (66.12% success rate)
    • Note: Averaged across all supported languages, works better on higher resource languages
  • WER: 73.00% (27% success rate)
    • Note: Averaged across all supported languages, works better on higher resource languages
  • Training Details:
    • Hardware: Nvidia Spark
    • Batch size: 1
    • Samples: 1185000
    • Duration: 2:03:23:00
    • Runs: Jul 7 07:43 - Jul 9 11:06 (shut down at Jul 9 12:55)

Inference code

git clone https://github.com/neurlang/whipstr.git
cd whipstr/
uv run --with torch --with transformers --with phase-spectrogram stt_infer_hf.py --audio /home/m/Downloads/LJ001-0001.wav --model neurlang/ipa-whipstr-medium-48khz-cv-21

Inference code (microphone)

uv run --with torch --with transformers --with phase-spectrogram --with sounddevice stt_mic_hf.py --model neurlang/ipa-whipstr-medium-48khz-cv-21

Output:

config.json: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 368/368 [00:00<00:00, 2.09MB/s]
model.safetensors: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 227M/227M [00:07<00:00, 29.4MB/s]
Loading weights: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 199/199 [00:00<00:00, 16263.01it/s]
model.json: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3.84k/3.84k [00:00<00:00, 12.3MB/s]
Transcription: ˈɪt gˈɪt sˈʌbkəldz dˈɑɹk fˈeɪz fˈæst ðə ɹˌɛpətˈɪʃən luːp nˈoʊ ˈiːvəz bɪˈheɪvjə ɹisˈɑlɪks lˈaɪk ðə mˈɑdəl hˈæd lˈɚnd bˈeɪsɪks ˈæktɪs....

Explanaition

Generated IPAIntended textAssessment
ˈɪtIt✓ Perfect
gˈɪtgetsVery close (/ɛ/→/ɪ/, final /s/ lost)
sˈʌbkəldzyou past / past the cold-This is where it still collapses several words together.
dˈɑɹkstartStill confuses start with dark.
fˈeɪzphase✓ Excellent
fˈæstfast✓ Perfect
ðəThe✓
ɹˌɛpətˈɪʃənrepetition✓ Nearly perfect
luːploop✓ Perfect
nˈoʊno✓
ˈiːvəzEOSSurprisingly close phonetically if the model has never seen "EOS" pronounced.
bɪˈheɪvjəbehavior✓ Excellent
ɹisˈɑlɪkswe saw looksThis is still garbled.
lˈaɪk ðəlike the✓
mˈɑdəlmodel✓ Perfect
hˈædhadn'tLost the negation.
lˈɚndlearned✓
bˈeɪsɪksbasic✓
ˈæktɪsmechanicsStill quite far.

End of training data:

Step 1185000 is chosen as this release

StepWERCER
98600080.65%36.93%
114800074.62%35.12%
118500073.00%33.88%
120200075.55%34.24%
121800074.28%35.23%

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура whipstr неизвестна transformers в образе рантайма.

Класс архитектуры
WhipstrForConditionalGeneration
Ревизия весов
8be165d

0 моделей