/ Модель

Характеристики

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

whisper-medium-ph

Распознавание речиАудио → текст

Дообученная Whisper Medium для пакетной расшифровки речи на семи языках Филиппин.

98скачиваний за 30 дней0лайковвеса обновлены29 авг 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

rbcurzon/whisper-medium-ph — дообученная модель OpenAI Whisper Medium для автоматического распознавания речи. Она предназначена для расшифровки голосовых заметок и пакетной обработки речи на тагальском, бисайском, илоканском, варайском, капампанганском, пангасинанском и бикольском языках. Модель содержит 455,8 млн параметров и использует архитектуру WhisperForConditionalGeneration; для работы с аудио применяется библиотека Transformers.

На тестовой выборке указаны Loss 0,2901 и WER 0,1147. Модель подходит также для дальнейшего дообучения и адаптации к предметной области. Она хуже работает при шуме, нескольких говорящих, выраженных акцентах и диалектных особенностях; не оптимизирована для потоковой расшифровки и может ошибочно добавлять правдоподобные слова. Лицензия — Apache-2.0.

Сценарии применения

  • Расшифровка голосовых заметок на тагальском
  • Пакетная транскрибация бисайской речи
  • Расшифровка илоканских аудиозаписей
  • Преобразование речи на варайском, капампанганском, пангасинанском и бикольском языках в текст
  • Дообучение ASR для близких речевых задач

Ограничения

Модель хуже распознаёт шумную, многоголосую, акцентную и диалектную речь, не оптимизирована для потоковой обработки и может галлюцинировать слова.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-medium-ph

This model is a fine-tuned version of openai/whisper-medium on the rbcurzon/ph_dialect_asr all dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2901
  • Wer: 0.1147

Model description

More information needed

Intended uses & limitations

This model is primarily designed for transcribing Tagalog, Bisaya, Ilocano, Waray, Kapampangan, Pangasinense, and Bikol voice notes and performing batch automatic speech recognition (ASR) for the same languages. It is also suitable for fine-tuning or domain adaptation for these specific speech tasks.

The model has several key limitations:

  • It performs poorly in noisy or multi-speaker environments, leading to transcription errors.
  • Accuracy is significantly reduced for noisy, accented, or dialectal speech.
  • It is not optimized for real-time streaming.
  • Like other Whisper-type models, it can produce plausible but incorrect words (hallucinations).

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • training_steps: 5000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.18221.481810000.26560.1445
0.07062.963720000.24910.1270
0.00724.444830000.27290.1191
0.0055.926640000.28100.1157
0.00097.407750000.29010.1147

Framework versions

  • Transformers 4.56.0.dev0
  • Pytorch 2.8.0+cu128
  • Datasets 4.0.0
  • Tokenizers 0.21.4

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
49be343

0 моделей