/ Модель

Характеристики

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

kyrgyz-whisper-small

Распознавание речиАудио → текст9 профессий

Дообученная версия Whisper Small для транскрибации речи на кыргызском, английском и русском языках, включая шумные записи и смешение языков.

2 372скачиваний за 30 дней1лайквеса обновлены17 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

kyrgyz-whisper-small — мультиязычная модель распознавания речи, дообученная на архитектуре Whisper Small компании OpenAI. Модель содержит 153,1 млн параметров и принимает аудио для транскрибации на кыргызском, английском и русском языках. Она рассчитана на работу с шумными записями, смешением языков и дальнейшую адаптацию с помощью LoRA.

В карточке сообщается об обучении примерно на 2 000 часах кыргызского аудио и дополнительном аудио на английском и русском языках. На бенчмарке FLEURS кыргызская WER достигает примерно 0,2–0,4; добавление кыргызского языка сопровождается некоторым снижением точности для английского и русского. Для кыргызского требуется пользовательский токенизатор. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация кыргызских радио- и телепередач
  • распознавание речи в многоязычных кол-центрах
  • расшифровка учебных записей на кыргызском
  • транскрибация речи с переключением между кыргызским, русским и английским
  • дообучение распознавания речи для специализированной области с помощью LoRA

Ограничения

Для кыргызского требуется пользовательский токенизатор. В карточке указаны возможное снижение точности для английского и русского относительно базовой модели и повышенная WER на чистых наборах данных из-за обучения на шумном аудио; для специализированных задач может понадобиться дообучение.

Для каких профессий подходит9

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 Small - Kyrgyz, English, Russian Speech To Text model

Model Description

kyrgyz-whisper-small is a fine-tuned multilingual speech recognition model based on OpenAI's Whisper Small 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_smal

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-small",
    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-small"

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

@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
da514a5

0 моделей