/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
18 сен 2026

whisper-large-v3-pld-ceb

Распознавание речиАудио → текст3 профессии

Дообученная на себуано Whisper large-v3 преобразует записи речи на себуано в текст.

64скачиваний за 30 дней0лайковвеса обновлены22 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

Это модель автоматического распознавания речи на себуано, созданная участниками проекта halohalo. Она получена дообучением мультиязычной Whisper large-v3 от OpenAI на филиппинском языковом датасете PLD, содержащем прочитанные вслух записи; на вход подаётся аудио, на выходе получается текстовая транскрипция. Модель рассчитана на распознавание себуано и предназначена также для сравнительных экспериментов с распознаванием филиппинских языков.

На тесте с невстречавшимися дикторами и предложениями ошибка составила 16,38% по символам и 36,80% по словам. Датасет состоит из подготовленной читаемой речи, поэтому точность может снижаться на спонтанных разговорах, телефонных записях, шумном аудио и при переключении языков. Модель обучалась с использованием ближайшего к себуано токена Whisper; README рекомендует не передавать аргумент language. Лицензия модели — CC-BY-NC-4.0, а обучающий корпус предназначен для некоммерческого использования и исследований.

Сценарии применения

  • транскрибация записей речи на себуано
  • расшифровка подготовленных аудиозаписей на себуано
  • оценка качества распознавания себуано на новых дикторах и фразах

Ограничения

Обучение проводилось на прочитанной речи из одного корпуса, поэтому на спонтанной или шумной речи, телефонных записях и при переключении языков качество может быть ниже. README приводит тестовые ошибки 16,38% по символам и 36,80% по словам на разбиении с новыми дикторами и фразами.

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

whisper-large-v3-pld-ceb

Cebuano speech recognition: openai/whisper-large-v3 finetuned on the Philippine Language Dataset (PLD), read speech collected by the UP Diliman Digital Signal Processing Laboratory. Part of the halohalo project.

In plain words

This model turns recorded Cebuano speech into text. Give it an audio clip (a WAV file, 16 kHz, one channel), and it returns what was said.

How good is it? Tested on sentences it had never seen, spoken by people it had never heard, it gets about 84 of every 100 characters and 63 of every 100 words right. Word accuracy is the one you will notice.

It was trained on clear, read speech recorded for a corpus. Expect worse results on conversations, phone calls, music in the background, or a speaker switching languages mid-sentence.

Not sure which model to pick? For Cebuano, use whisper-large-v3-pld-ceb-norm — it is the most accurate one this organisation has published. This one exists for comparison and research.

Method (for practitioners)

Trained for 5000 steps on 25000 clips, frozen-disjoint split (speakers and prompts unseen in training). The Whisper arm of the R1 bake-off in docs/pld_sota_track.md. Trained on PLD, which is CC-BY-NC and research-only.

Evaluation

Frozen speaker- and prompt-disjoint split of PLD (splits/pld_*.json in the repo): no test speaker and no test sentence appears anywhere in training. Numbers on this split are not comparable with the in-domain figures on the dataset card, which share both, and are typically several times higher for that reason.

cer and wer are character and word error rates on the whole test split, hypothesis and reference both lowercased and whitespace-normalised. Accents and punctuation in the reference count as errors when missing, which is strict: PLD marks stress on about a third of words. The -norm variant of this model uses the other convention. eval_loss is the training objective on the test split.

metricvalue
cer0.1638
wer0.3680
loss0.5702

How to use

from transformers import WhisperForConditionalGeneration, WhisperProcessor
import torch, soundfile as sf

proc = WhisperProcessor.from_pretrained("sapinsapin/whisper-large-v3-pld-ceb")
model = WhisperForConditionalGeneration.from_pretrained("sapinsapin/whisper-large-v3-pld-ceb").eval()
wav, sr = sf.read("clip.wav")          # 16 kHz mono
feats = proc(wav, sampling_rate=16000, return_tensors="pt").input_features
with torch.no_grad():
    ids = model.generate(feats, task="transcribe", max_new_tokens=200)
print(proc.batch_decode(ids, skip_special_tokens=True)[0])

Languages other than Filipino and English were trained under Whisper's <|tl|> token, the closest one it has; do not pass a language= argument.

Caveats

  • Trained on read, prompted speech; accuracy drops on spontaneous or noisy audio.
  • One corpus, one recording setup. Cross-corpus tests on Filipino showed large drops for models of this kind.

Licence

cc-by-nc-4.0. PLD is CC-BY-NC and research-only, so every model trained on it inherits that regardless of the base model's own licence. The base model's terms apply in addition.

Trained with finetune_asr.py from halohalo; the dataset adapter normalises each corpus to (audio@16k, text, speaker_id).

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
aec02d1

0 моделей