/ Модель

Характеристики

Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
nb-whisper-medium
Опубликована
10 авг 2026

nb-whisper-dialect-id-4dialect-low-pass

Классификация аудиоАудио → label3 профессии

Аудиоклассификатор на базе Whisper определяет один из четырёх крупных норвежских диалектных регионов по низкочастотно отфильтрованной речи.

10скачиваний за 30 дней0лайковвеса обновлены10 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Модель разработана на основе NbAiLab/nb-whisper-medium для распознавания четырёх крупных региональных разновидностей норвежской речи. Это аудиоклассификатор на архитектуре Whisper: энкодер дообучен целиком, к нему добавлена классификационная голова. Модель содержит около 455,8 млн параметров и принимает монофоническое аудио с частотой 16 кГц; для фрагментов длиннее 30 секунд при обучении использовалась случайная выборка длительностью до 30 секунд.

Модель предназначена для исследовательской классификации норвежских диалектов и изучения роли просодии. Она обучалась на низкочастотно отфильтрованной речи из корпуса парламентских выступлений SSC, чтобы ослабить фонетические признаки и сохранить контур высоты тона. Поэтому на вход рекомендуется подавать аудио, обработанное тем же способом; необработанная речь не соответствует условию обучения. Предсказания относятся к четырём широким регионам, а границы между ними условны.

Контрольная точка взята из финальной эпохи обучения, которая также показала лучшую точность на валидации. Качество на разговорной речи, детской речи и речи неносителей языка не гарантировано. Модель не предназначена для решений с существенными последствиями для людей, например при найме или проверке личности. Лицензия — Apache-2.0.

Сценарии применения

  • Исследование влияния просодии на распознавание норвежских диалектов
  • Классификация норвежской парламентской речи по крупному диалектному региону
  • Сравнение диалектных признаков в аудио с сохранённым контуром высоты тона

Ограничения

Ожидается низкочастотно отфильтрованное монофоническое аудио с частотой 16 кГц; необработанная речь не соответствует условию обучения. Модель обучена на взрослой парламентской речи, а четыре региональные категории являются укрупнёнными; её предсказания не следует использовать для решений с существенными последствиями для людей.

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

nb-whisper-dialect-id-4dialect-low-pass

A NbAiLab/nb-whisper-medium encoder fine-tuned for 4-class Norwegian dialect identification on low-pass filtered speech.

Given an audio clip of low-pass filtered Norwegian speech, the model predicts which of four broad dialect regions the speaker belongs to:

LabelRegion
eastEastern Norwegian (østnorsk)
westWestern Norwegian (vestnorsk)
midCentral/Trøndersk Norwegian (trøndersk)
northNorthern Norwegian (nordnorsk)

This model is one of three "prosody-condition" models (unmodified / low-pass / monotonize) trained for:

Phoebe Parsons, Heming Strømholt Bremnes, Knut Kvale, Torbjørn Svendsen, and Giampiero Salvi. (2025). Effects of Prosodic Information on Dialect Classification Using Whisper Features. In Proceedings of Interspeech 2025, pages 2785–2789. doi: 10.21437/Interspeech.2025-200

The other two conditions:

See the did_prosody_whisper repo for the training/evaluation code and the audio manipulation scripts used for the paper.

Model description

The model is NbAiLab/nb-whisper-medium's encoder with a classification head on top (WhisperForAudioClassification), fully fine-tuned (no layers frozen) for sequence classification over 4 dialect labels. Unlike the unmodified-audio model, this model was trained and evaluated on speech that was low-pass filtered relative to each utterance's average F0. Low-pass filtering degrades segmental/phonetic intelligibility while retaining the F0 (pitch) contour, isolating prosodic cues from lexical/phonetic content.

Intended uses & limitations

Intended for research on Norwegian dialect identification, specifically on studying how much dialect information is carried by prosody alone. Audio fed to this model should be low-pass filtered the same way as during training (see the did_prosody_whisper repo) — running unmodified audio through this model does not reproduce the paper's "unmodified" condition results; use scribe-project/nb-whisper-dialect-id-4dialect for that. It is not intended for consequential decisions about individuals (e.g. hiring, legal, or identity-verification contexts).

Known limitations:

  • Trained only on adult parliamentary speech; accuracy on other domains (conversational speech, children, non-native speakers) is not guaranteed.
  • This repo ships the checkpoint from the final training epoch (epoch 3), for consistency with the unmodified and monotonize models in this series. In this case the final-epoch checkpoint was also the best-eval-accuracy checkpoint.
  • The 4 dialect categories are coarse regional groupings, not a fine-grained dialect taxonomy, and boundaries between adjacent regions are inherently fuzzy.

How to use

import torch
from transformers import AutoFeatureExtractor, AutoModelForAudioClassification
import librosa

model_id = "scribe-project/nb-whisper-dialect-id-4dialect-low-pass"
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)
model = AutoModelForAudioClassification.from_pretrained(model_id)

# audio should be low-pass filtered the same way as during training — see the
# did_prosody_whisper repo for the filtering procedure
audio, sr = librosa.load("path/to/low_pass_audio.wav", sr=feature_extractor.sampling_rate, mono=True)

inputs = feature_extractor(
    audio,
    sampling_rate=feature_extractor.sampling_rate,
    return_tensors="pt",
)

with torch.no_grad():
    logits = model(**inputs).logits

predicted_id = torch.argmax(logits, dim=-1).item()
print(model.config.id2label[predicted_id])

Audio should be mono, resampled to 16kHz. Clips longer than 30 seconds were randomly subsampled to 30 seconds during training.

Training and evaluation data

Trained on the SSC (Storting/Parliament Speech Corpus), using a speaker-disjoint train/validation split (no speaker overlap between train and eval). Each example is a single-speaker audio segment labeled with one of the 4 dialect categories above. Prior to training, audio was low-pass filtered relative to the per-utterance average F0 (estimated with REAPER); see the did_prosody_whisper repo for the exact Praat scripts used.

Training procedure

Training hyperparameters

  • learning_rate: 3e-05
  • train_batch_size: 16 (per device)
  • eval_batch_size: 32 (per device)
  • seed: 0
  • distributed_type: multi-GPU
  • num_devices: 6
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 192
  • optimizer: Adam (betas=(0.9, 0.999), epsilon=1e-08)
  • lr_scheduler_type: linear, warmup_ratio 0.1
  • num_epochs: 3.0
  • mixed_precision_training: Native AMP
  • feature encoder: not frozen (full fine-tune)

Training results

Training LossEpochStepValidation LossAccuracy
0.09360.99894520.43550.8775
0.03162.09050.47950.8968
0.01932.996713560.49100.9104

The weights published in this repo are from epoch 3 (checkpoint-1356), the final training checkpoint — which in this condition also had the highest eval accuracy.

Framework versions

  • Transformers 4.40.0
  • PyTorch 2.2.2+cu121
  • Datasets 2.19.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForAudioClassification
Ревизия весов
903f5f0

0 моделей