/ Модель

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
15 мая 2026

SeloWhisper-ko-disfluency

Распознавание речиАудио → текст3 профессии

Whisper-модель для расшифровки корейской спонтанной речи с тегами заполнителей пауз, повторов и смеха.

182скачиваний за 30 дней0лайковвеса обновлены16 мая 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

SeloWhisper-ko-disfluency — модель распознавания корейской речи с разметкой речевых запинок, дообученная разработчиком репозитория на openai/whisper-large-v3-turbo. Она преобразует корейскую спонтанную речь в текст и вставляет специальные токены для заполнителей пауз, повторов и смеха прямо в расшифровку. Модель построена на архитектуре Whisper encoder–decoder и содержит около 905,3 млн параметров по метаданным Hugging Face.

Модель предназначена для расшифровки разговорной корейской речи с сохранением признаков её спонтанности, например при анализе диалогов и подготовке транскриптов. В README приведены метрики на тестовых наборах разговорной речи; для сохранения тегов при декодировании нужно отключить пропуск специальных токенов. Репозиторий распространяется по лицензии MIT.

Модель оптимизирована для корейской спонтанной речи и не настроена на новостное вещание, переключение языков или некорейскую речь. Возможны галлюцинации на тишине и очень коротких аудиофрагментах; автор рекомендует предварительно фильтровать такие фрагменты.

Сценарии применения

  • транскрибация разговоров на корейском языке с сохранением слов-паразитов
  • поиск и подсчёт заполнителей пауз в корейской речи
  • разметка повторов в расшифровках корейских диалогов
  • выявление смеха в корейских аудиозаписях
  • подготовка транскриптов спонтанной корейской речи для анализа

Ограничения

Оптимизирована для корейской спонтанной речи; не настроена на новостное вещание, переключение языков или некорейскую речь. Возможны галлюцинации на тишине и очень коротких аудиофрагментах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SeloWhisper-ko-disfluency

Korean ASR with inline disfluency detection, fine-tuned from openai/whisper-large-v3-turbo.

Transcribes Korean speech while emitting 10 special tokens for fillers, repetitions, and laughter directly inside the transcript.

Note. Methodology, training data, and analysis are reserved for an upcoming paper. This repository releases only the model weights and the inference recipe.


Model Specification

Base modelopenai/whisper-large-v3-turbo
ArchitectureWhisper encoder–decoder (encoder 32 L / decoder 4 L, d_model 1280)
Parameters~809 M
Vocabulary51,867 base + 10 disfluency tokens + dedicated <|pad|>
LanguageKorean (ko)
Sampling rate16 kHz, mono
Max target length448 tokens
Released checkpointstep 2,500 (selected by held-out disfluency F1)

Disfluency Tokens

TokenKorean cueMeaning
<ah>아filler "ah"
<uh>어filler "uh"
<um>음filler "um"
<gue>그filler "geu"
<jeo>저filler "jeo"
<mwo>뭐filler "mwo"
<mak>막filler "mak"
<repeat>—repeated word / syllable
<laugh>—laughter
<other>—other disfluency

Tokens are registered as additional_special_tokens. A dedicated <|pad|> token is introduced so EOS is preserved during label masking.


Usage

import torch, torchaudio
from transformers import WhisperProcessor, WhisperForConditionalGeneration

MODEL_ID = "rearleg/SeloWhisper-ko-disfluency"

processor = WhisperProcessor.from_pretrained(MODEL_ID)
model = WhisperForConditionalGeneration.from_pretrained(MODEL_ID).eval()

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

waveform, sr = torchaudio.load("sample.wav")
if sr != 16000:
    waveform = torchaudio.functional.resample(waveform, sr, 16000)
    sr = 16000
if waveform.shape[0] > 1:
    waveform = waveform.mean(dim=0, keepdim=True)

inputs = processor(
    waveform.squeeze().numpy(),
    sampling_rate=sr,
    return_tensors="pt",
).to(device)

with torch.no_grad():
    generated = model.generate(
        inputs["input_features"],
        max_length=448,
        num_beams=1,
        do_sample=False,
    )

# Keep special tokens so disfluencies remain visible
transcription = processor.batch_decode(generated, skip_special_tokens=False)[0]
print(transcription)

Decode with skip_special_tokens=False to keep disfluency tags visible. Strip Whisper meta tokens (<|ko|>, <|transcribe|>, <|notimestamps|>, <|endoftext|>) manually if you only want the disfluency annotations.

This release ships a generation_config.json with forced_decoder_ids, suppress_tokens, and begin_suppress_tokens already cleared — no extra unsetting is required at inference time.


Performance (checkpoint-2500)

Evaluated on held-out Korean conversational speech.

SplitCERWERsWERsCERFiller PFiller RFiller F1
Clean0.16530.33000.37850.12500.91180.84880.8792
Noisy0.15290.35580.43910.12240.94200.90390.9226

Metric definitions

  • CER — character error rate, whitespace included.
  • WER — word error rate. Each disfluency token is treated as a single unit (substituted to a single private-use character during scoring) to avoid penalty inflation.
  • sWER — WER after whitespace normalization, anchoring hypothesis spacing to the reference.
  • sCER — CER on whitespace-stripped syllable streams (Korean-specific).
  • Filler P / R / F1 — counter-based across the 10 disfluency tokens: TP = min(ref_count, hyp_count) per token, summed globally; FP / FN computed symmetrically.

Limitations

  • Optimized for Korean spontaneous speech; not tuned for broadcast news, code-switching, or non-Korean speech.
  • Like all Whisper-family models, hallucination is possible on silent or very short clips — a VAD or RMS-based silence filter upstream is recommended.

License

MIT — see LICENSE for the full text.


Citation

@misc{cheon2025selowhisper,
  title        = {SeloWhisper-ko-disfluency: Korean ASR with Inline Disfluency Detection},
  author       = {Cheon, Changhyun},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/rearleg/SeloWhisper-ko-disfluency}}
}

Whisper:

@article{radford2022whisper,
  title   = {Robust Speech Recognition via Large-Scale Weak Supervision},
  author  = {Radford, Alec and Kim, Jong Wook and Xu, Tao and Brockman, Greg
             and McLeavey, Christine and Sutskever, Ilya},
  journal = {arXiv preprint arXiv:2212.04356},
  year    = {2022}
}

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
c7dd925

0 моделей