/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
whisper-large-v3-farsi-cv17
Библиотека
ctranslate2
Опубликована
15 сен 2026

farsi-faster-whisper-large-v3

Распознавание речиАудио → текст

Конверсия Whisper large-v3 для faster-whisper, предназначенная для распознавания и транскрибации речи на фарси.

139скачиваний за 30 дней1лайквеса обновлены15 сен 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

Это модель распознавания речи на фарси, опубликованная oi-uae. Она представляет собой конверсию в формат CTranslate2 для faster-whisper модели mohammadjavadnasri/whisper-large-v3-farsi-cv17, дообученной на персидской части Common Voice 17. В основе лежит Whisper large-v3 от OpenAI; веса представлены в float16, а для обработки аудио используются параметры Whisper с частотой дискретизации 16 кГц и 128 мел-фильтрами.

Модель преобразует аудиозаписи на фарси в текст и подходит для транскрибации речи, в том числе записей, близких по характеру к тестовым данным Common Voice. В README приведены результаты исходной дообученной модели на тестовой выборке Common Voice 17 для фарси: WER 23,47 и орфографический WER 27,56; это не отдельная оценка данной конверсии. Для использования в приложениях предусмотрены CTranslate2 и faster-whisper. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация аудиозаписей на фарси
  • распознавание фарси в пользовательских голосовых сообщениях
  • создание текстовых расшифровок персидской речи
  • распознавание речи в записях, похожих на Common Voice

Ограничения

Качество отдельно для этой конверсии не оценено; указанные метрики относятся к исходной модели на тестовой выборке Common Voice 17. Результаты на других акцентах, условиях записи и типах аудио могут отличаться.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Farsi Faster Whisper Large v3 (CTranslate2)

This is a CTranslate2 / faster-whisper conversion of mohammadjavadnasri/whisper-large-v3-farsi-cv17, which is a fine-tune of openai/whisper-large-v3 on the Persian (Farsi) subset of Common Voice 17.

The model was converted with ct2-transformers-converter and quantized to float16:

ct2-transformers-converter \
    --model mohammadjavadnasri/whisper-large-v3-farsi-cv17 \
    --output_dir oi-uae/farsi-faster-whisper-large-v3 \
    --copy_files tokenizer.json preprocessor_config.json \
    --quantization float16

🚀 Recommended deployment: OISpeech Server

For production use, we recommend deploying this model with OISpeech Server — a production-ready, Dockerized serving framework that turns raw ASR output into complete, speaker-aware, readable transcripts through an OpenAI-compatible API.

Serving this model is a one-liner — mount the model and go:

docker run --gpus all -p 8080:8001 \
  -v /path/to/farsi-faster-whisper-large-v3:/model \
  <oispeech image> --model /model

Why deploy with OISpeech

Running a bare Whisper model gives you text. OISpeech wraps it in a full audio processing pipeline:

  • Speaker diarization — identifies who spoke when (NeMo MSDD / Pyannote), with word-speaker mapping from timestamp overlap
  • VAD (voice activity detection) — NeMo MarbleNet segments speech regions, with tunable onset/offset thresholds for noisy environments
  • Noise cancellation & audio cleanup — three orthogonal, per-request toggles:
    • Vocal separation (Demucs htdemucs) for background music and crowd noise
    • Bandpass filtering (100 Hz – 8 kHz) for HVAC rumble and mic hiss
    • Peak normalization (–0.5 dBFS) for inconsistent recording levels
  • Forced alignment — CTC-based, word-level timestamp precision
  • Punctuation restoration — deep multilingual model for readable transcripts
  • Intelligent post-processing — sentence boundary detection, numeral suppression (spoken numbers → digits), and speaker realignment
  • Robustness — automatic temperature fallback retries low-confidence segments on noisy audio
  • OpenAI-compatible API — drop-in replacement for client.audio.transcriptions.*, outputs JSON / SRT / VTT / Text
  • Production hardening — GPU concurrency limits with bounded queues (429 overload protection, 413 upload caps, 504 timeouts), async jobs API for long audio, and a built-in React testing UI
  • Deployment flexibility — GPU (CUDA) or CPU, ARM64 support, and fully airgap/offline capable (models baked into the image, runtime network access blocked at the socket level)

Example: diarized transcription via the OpenAI SDK

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8080/v1", api_key="x")

with open("meeting.mp3", "rb") as f:
    transcript = client.audio.transcriptions.create(
        model="default",
        file=f,
        response_format="verbose_json",
        extra_body={"diarize": True, "enable_stemming": True},  # noise handling
    )

for segment in transcript.segments:
    print(f"[{segment['start']:.2f}s -> {segment['end']:.2f}s] Speaker {segment['speaker']}: {segment['text']}")

Source model results

Evaluation on the Common Voice 17 fa test split (as reported by the source model):

MetricValue
Loss0.3402
WER Ortho27.5624
WER23.4723

Usage (bare faster-whisper)

Of course, you can also use the model directly without OISpeech:

from faster_whisper import WhisperModel

model = WhisperModel("oi-uae/farsi-faster-whisper-large-v3", device="cuda", compute_type="float16")

segments, info = model.transcribe("audio.wav", language="fa")
for segment in segments:
    print(f"[{segment.start:.2f} -> {segment.end:.2f}] {segment.text}")

On CPU, use device="cpu" with compute_type="int8" (or "float32"):

model = WhisperModel("oi-uae/farsi-faster-whisper-large-v3", device="cpu", compute_type="int8")

Files

  • model.bin — CTranslate2 weights (float16)
  • config.json — CTranslate2 Whisper generation config
  • tokenizer.json — tokenizer (converted from the source model's vocab.json/merges.txt)
  • vocabulary.json — CTranslate2 vocabulary
  • preprocessor_config.json — Whisper feature extractor config (16 kHz, 128 mel bins)

License

Apache 2.0, inherited from the source model.

Как запустить

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

GPU в ailist

Универсальный рантайм · ctranslate2

Нельзя запустить

Модели CTranslate2 требуют отдельного рантайма.

Ревизия весов
788aada

0 моделей