/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
15 ноя 2025

kyrgyz-whisper-medium

Распознавание речиАудио → текст7 профессий

Дообученная версия Whisper Medium для транскрибации кыргызской, английской и русской речи в текст.

745скачиваний за 30 дней0лайковвеса обновлены16 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

nineninesix разработал мультиязычную модель распознавания речи на основе OpenAI Whisper Medium и дообучил её для поддержки кыргызского языка. Модель принимает аудио и преобразует речь в текст; заявлена поддержка кыргызского, английского и русского языков. Она содержит около 455,8 млн параметров, использует архитектуру Whisper и доступна в формате Safetensors для Transformers. Для кыргызской транскрипции требуется пользовательский токенизатор из репозитория модели.

Модель предназначена для расшифровки кыргызских медиа, образовательных материалов и звонков, в том числе в сценариях переключения между языками. В README описано обучение примерно на 2 000 часах кыргызского аудио и смеси английских и русских данных; на FLEURS сообщается о практических значениях WER около 0,2–0,4 для кыргызского. Это заявленные результаты карточки, а не независимая оценка. Лицензия — Apache-2.0.

Качество распознавания английского и русского может быть ниже, чем у исходной Whisper Medium; на чистых тестовых данных возможен повышенный WER из-за обучения на шумном аудио. Для других языков пригодность не заявлена, а для специализированных предметных областей может потребоваться дообучение.

Сценарии применения

  • транскрибация кыргызских радио- и телепередач
  • распознавание кыргызской речи в телефонных звонках
  • расшифровка учебных материалов на кыргызском языке
  • транскрибация речи с переключением между кыргызским, русским и английским
  • подготовка базовой модели для LoRA-дообучения на кыргызских аудиоданных

Ограничения

Для кыргызского языка необходим пользовательский токенизатор из репозитория. По README, точность на английском и русском может снизиться относительно исходной Whisper Medium, а обучение на шумном аудио может ухудшать результаты на чистых тестах; для других языков поддержка не заявлена.

Для каких профессий подходит7

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 - Kyrgyz, English, Russian Speech To Text model

Model Description

nineninesix/kyrgyz-whisper-medium is a fine-tuned multilingual speech recognition model based on OpenAI's Whisper Medium architecture. This model adds native Kyrgyz language support while maintaining strong performance on English and Russian.

Key Features

  • Kyrgyz language support via custom <|ky|> token.
  • Multilingual: Kyrgyz, English, and Russian.
  • Trained on ~2,000 hours of Kyrgyz audio + 40% English/Russian audio
  • Ready for further improvement with LoRA fine-tuning (see Colab Notebook)
  • Optimized for real-world, noisy audio conditions

Performance

WER Distributions on FLEURS Benchmark

The following visualization shows improvement after fine-tuning:

plot_medium

Key Observations:

  • Kyrgyz: Dramatic improvement from ~100% WER (unusable) → practical performance with peak around 0.2-0.4 WER
  • English & Russian: Some performance degradation compared to base model as trade-off for Kyrgyz support
    • Distributions shifted right (higher WER)
    • This is expected when adding a new language to a fixed-capacity model
  • Multi-language trade-off: The model sacrifices some accuracy on English/Russian to gain Kyrgyz capabilities
  • Benchmark Fleurs

Recommended Use Cases

  • Kyrgyz media transcription
  • Multilingual call centers
  • Educational content in Kyrgyz
  • Code-switching scenarios (common in Kyrgyzstan where people mix languages)
  • Foundation model for LoRA fine-tuning on clean Kyrgyz data

Technical Implementation

Custom Tokenizer Integration

from transformers import AutoTokenizer

# Load custom tokenizer with Kyrgyz support
tokenizer = AutoTokenizer.from_pretrained(
    "nineninesix/kyrgyz-whisper-medium",
    trust_remote_code=True, ### !!! important !!!
    language="kyrgyz",
    task="transcribe"
)

Kyrgyz Token Initialization

The <|ky|> token was initialized as an average of embeddings from linguistically similar languages:

embedding_ky = (embedding_ru + embedding_kk + embedding_tr) / 3

Usage

Pipeline Usage


import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline, WhisperFeatureExtractor, AutoTokenizer

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "nineninesix/kyrgyz-whisper-medium"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True)
model.to(device)

feature_extractor = WhisperFeatureExtractor.from_pretrained(model_id)

tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    trust_remote_code=True, language="kyrgyz", task="transcribe")

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=tokenizer,
    feature_extractor=feature_extractor,
    torch_dtype=torch_dtype,
    device=device
)

result = pipe("audio.mp3")
print(result['text'])

Further Fine-tuning with LoRA

This model serves as a foundation for domain-specific fine-tuning using LoRA (Low-Rank Adaptation).

Unsloth integration example: see this Google Colab

Benefits of LoRA fine-tuning:

  • Adapt to specific domains (medical, legal, conversational)
  • Memory-efficient training
  • Faster training than full fine-tuning
  • Improved accuracy on clean datasets

Limitations

  • Trained on noisy data - may have higher WER on clean benchmarks vs. clean-trained models
  • Best performance on Kyrgyz, English, and Russian (other languages not supported)
  • Requires custom tokenizer for Kyrgyz language support
  • May require domain-specific fine-tuning for specialized applications

Citation

@misc{kyrgyz-whisper-medium,
  author = {nineninesix},
  title = {Whisper Medium - Kyrgyz, English, Russian},
  year = {2025},
  publisher = {HuggingFace},
  url = {https://huggingface.co/nineninesix/kyrgyz-whisper-medium}
}

@misc{radford2022whisper,
  doi = {10.48550/ARXIV.2212.04356},
  url = {https://arxiv.org/abs/2212.04356},
  author = {Radford, Alec and Kim, Jong Wook and Xu, Tao and Brockman, Greg and McLeavey, Christine and Sutskever, Ilya},
  title = {Robust Speech Recognition via Large-Scale Weak Supervision},
  publisher = {arXiv},
  year = {2022},
  copyright = {arXiv.org perpetual, non-exclusive license}
}

Acknowledgments

  • Based on OpenAI's Whisper architecture
  • Kyrgyz tokenizer: kyrgyz-ai/whisper_tokenizer_ky
  • Training datasets: Kyrgyz ASR community contributions
  • Inspired by multilingual ASR research

License

Apache 2.0 - see LICENSE file for details.

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
bb00894

0 моделей