/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Опубликована
10 сен 2026

whisper-small-hi

Распознавание речиАудио → текст6 профессий

Дообученная на Common Voice 17.0 модель Whisper small для черновой расшифровки речи на хинди.

47скачиваний за 30 дней1лайквеса обновлены12 сен 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

ranjan-prabhat/whisper-small-hi — дообученная модель распознавания речи на хинди, созданная на основе Whisper small от OpenAI. Это encoder-decoder Transformer с 153,1 млн параметров; модель принимает аудио и преобразует речь в текст. Обучение проводилось на хинди-разделе Common Voice 17.0.

Модель предназначена для черновой расшифровки чёткой речи одного говорящего: например, голосовых заметок, начитки и повествования. Её также можно использовать как основу для дальнейшего дообучения под конкретный акцент, диалект или акустические условия. Проверялась на монофоническом аудио с частотой 16 кГц.

На тестовой части Common Voice указана доля ошибок слов около 32%, поэтому для ответственных задач потребуется проверка человеком или дополнительное дообучение. Качество может снижаться на спонтанной речи, сильном шуме, одновременной речи нескольких людей и недостаточно представленных региональных акцентах. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • расшифровка голосовых заметок на хинди
  • транскрибирование начитанного текста на хинди
  • черновая расшифровка повествовательной речи на хинди
  • подготовка базовой модели для дообучения на конкретном акценте хинди

Ограничения

WER на тестовой части Common Voice составляет около 32%; модель не подходит для высокоточных, юридических или медицинских расшифровок без проверки человеком. Качество может ухудшаться на разговорной речи, шумном аудио, перекрывающихся голосах и недостаточно представленных региональных акцентах.

Для каких профессий подходит6

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-hi

This is a fine-tuned version of openai/whisper-small for automatic speech recognition (ASR) in Hindi. It was trained on the Hindi subset of Common Voice 17.0.

Model description

This model takes raw Hindi speech audio as input and outputs a text transcription. It is based on OpenAI's Whisper architecture (an encoder-decoder Transformer), starting from the pretrained whisper-small checkpoint and fine-tuned specifically to improve performance on Hindi.

Intended uses & limitations

Intended uses:

  • Transcribing clear, single-speaker Hindi speech (e.g., voice notes, narration, read speech)
  • As a starting point for further fine-tuning on a more specific Hindi speech domain (e.g., a particular accent, dialect, or noisy environment)

Limitations:

  • Word Error Rate (WER) on the Common Voice test set is ~32%, meaning roughly 1 in 3 words may contain an error. This model is usable for casual or draft transcription but is not suitable for production, legal, medical, or other high-accuracy use cases without further fine-tuning or human review.
  • Trained only on Common Voice's crowd-sourced read speech; performance may degrade on spontaneous conversational speech, heavy background noise, overlapping speakers, or strong regional accents not well represented in the training data.
  • Only tested on 16kHz mono audio, consistent with Whisper's expected input format.

How to use

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch

device = "cuda" if torch.cuda.is_available() else "cpu"

processor = WhisperProcessor.from_pretrained("ranjan-prabhat/whisper-small-hi")
model = WhisperForConditionalGeneration.from_pretrained("ranjan-prabhat/whisper-small-hi").to(device)

# audio_array: a 1D numpy array of audio samples at 16kHz
input_features = processor(
    audio_array, sampling_rate=16000, return_tensors="pt"
).input_features.to(device)

with torch.no_grad():
    predicted_ids = model.generate(input_features, language="hindi", task="transcribe")

transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)

If loading audio from a file, you can use librosa.load(path, sr=16000) or the Hugging Face datasets library's Audio feature (cast to a 16000 Hz sampling rate) to get the correctly formatted array.

Training and evaluation data

  • Dataset: fsicoli/common_voice_17_0, Hindi (hi) configuration
  • Train split: 4,689 examples
  • Validation split: 2,428 examples
  • Test split: 3,154 examples

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 8
  • eval_batch_size: 4
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • optimizer: AdamW (torch), betas=(0.9, 0.999), epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • training_steps: 2000
  • mixed_precision_training: Native AMP (fp16)

Training results

Training LossEpochStepValidation LossWER
0.17992.247210000.282833.62
0.04294.494420000.307932.13

The best checkpoint (by WER on the validation set) was automatically selected and used as the final model.

Framework versions

  • Transformers 5.0.0
  • PyTorch 2.4.1+cu121
  • Datasets 3.6.0
  • Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
fb9c09e

0 моделей