/ Модель
Каталог

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
21 мая 2025

Ссылки

Hugging Face

whisper-large-v3-turbo-bulgarian-bulgaria

sam8000
Распознавание речиАудио → текст8 профессий

Дообученная версия Whisper large-v3-turbo для распознавания болгарской речи и преобразования аудио в текст.

268скачиваний за 30 дней3лайкавеса обновлены22 мая 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.

Открыть конструктор бенчмарка

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

sam8000 выпустил дообученную на наборе FLEURS модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи на болгарском языке. Это мультиязычная модель архитектуры Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст; в метаданных указана поддержка входного аудио. На тестовой выборке автор сообщает WER 9,9711 и WER Ortho 28,9047. Модель распространяется в формате Safetensors по лицензии MIT. Подробности о составе обучающих данных, кроме указания FLEURS, и о конкретных ограничениях в карточке не приведены.

Сценарии применения

  • транскрибация записей на болгарском языке
  • распознавание болгарской речи в аудиофайлах
  • подготовка текстовых расшифровок болгарских выступлений
  • автоматическое распознавание болгарских аудиоматериалов из FLEURS

Ограничения

В опубликованной оценке указаны WER 9,9711 и WER Ortho 28,9047; качество может различаться на аудио вне тестового набора. Карточка не описывает ограничения по шуму, акцентам или условиям записи.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923моделиI.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделейI.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделейI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-large-v3-turbo-bulgarian-bulgaria

This model is a fine-tuned version of openai/whisper-large-v3-turbo on the fleurs dataset. It achieves the following results on the evaluation set:

  • Loss: 0.4592
  • Model Preparation Time: 0.0067
  • Wer Ortho: 28.9047
  • Wer: 9.9711

Model description

More information needed

Intended uses & limitations

More information needed

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: 64
  • eval_batch_size: 64
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 128
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.06
  • num_epochs: 1
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossModel Preparation TimeWer OrthoWer
0.14850.0299320.50220.006731.566213.2030
0.12360.0598640.49400.006731.623313.3865
0.11360.0897960.44790.006731.623313.3865
0.10710.11961280.46300.006731.059613.1536
0.10910.14951600.47680.006731.188013.2030
0.10330.17941920.46770.006730.360312.4903
0.09420.20922240.45130.006730.631512.4832
0.0970.23912560.46360.006730.025012.0740
0.09550.26902880.44490.006730.510212.6314
0.09810.29893200.44940.006730.274712.1234
0.0890.32883520.49990.006730.517311.9258
0.09290.35873840.50810.006730.417412.0387
0.09120.38864160.48360.006730.317511.5094
0.08560.41854480.45570.006729.618311.4247
0.08290.44844800.45510.006729.939411.7987
0.08150.47835120.47630.006730.531612.8078
0.08740.50825440.46030.006729.532611.3824
0.09250.53815760.47100.006729.668210.9237
0.08250.56806080.45600.006729.539810.7685
0.08190.59796400.47040.006729.432810.7614
0.07870.62776720.48030.006729.653910.8955
0.07990.65767040.44600.006729.161610.7826
0.08120.68757360.44760.006729.154510.7261
0.07670.71747680.45880.006729.347110.9167
0.0820.74738000.46580.006729.261510.7332
0.08360.77728320.46400.006729.118810.4650
0.08480.80718640.44740.006728.911910.2816
0.08130.83708960.46620.006729.111710.3451
0.07790.86699280.45700.006728.997510.2039
0.07270.89689600.46210.006729.061710.2110
0.07280.92679920.45920.006728.90479.9711
0.07040.956610240.45360.006728.940410.0064
0.0760.986510560.45460.006728.940410.1263

Framework versions

  • Transformers 4.51.3
  • Pytorch 2.5.1
  • Datasets 3.6.0
  • Tokenizers 0.21.1

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
5743241

0 моделей

    Создать бенчмарк