/ Модель

Характеристики

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

nb-whisper-dialect-id-5dialect

Классификация аудиоАудио → label3 профессии

Модель классифицирует аудиозаписи норвежской речи по пяти крупным региональным диалектам.

15скачиваний 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 базе NbAiLab и предназначена для определения одного из пяти крупных региональных диалектов норвежского языка по аудиозаписи речи. Это энкодер NbAiLab/nb-whisper-medium с классификационной головой WhisperForAudioClassification; все слои дообучены для классификации последовательностей. Модель содержит около 455,8 млн параметров и принимает монофоническое аудио, подготовленное с частотой 16 кГц.

Модель подходит для исследований норвежских диалектов, создания диалектно-ориентированных речевых конвейеров и в качестве отправной точки для дальнейших экспериментов. Обучение проводилось на взрослых выступлениях в парламенте; пять меток обозначают широкие регионы, а границы между ними могут быть нечёткими. Качество на разговорной речи, детской речи и речи неносителей не гарантируется; в последней эпохе обучения наблюдались признаки переобучения, поэтому опубликован лучший чекпойнт по точности на оценочной выборке. Лицензия — Apache-2.0.

Сценарии применения

  • определение региона норвежского диалекта по записи речи
  • добавление диалектной метки к сегментам норвежской речи
  • создание диалектно-ориентированного речевого конвейера
  • исследование распознавания региональных вариантов норвежского языка

Ограничения

Обучена на взрослых парламентских выступлениях, поэтому точность на разговорной, детской и неносительской речи не гарантируется. Пять меток представляют широкие регионы, а не детальную классификацию диалектов; в ходе обучения отмечены признаки переобучения.

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-5dialect

A NbAiLab/nb-whisper-medium encoder fine-tuned for 5-class Norwegian dialect identification.

Given an audio clip of Norwegian speech, the model predicts which of five broad dialect regions the speaker belongs to:

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

Results from this model are discussed in further detail in:

Phoebe Parsons, Per Erik Solberg, Knut Kvale, Torbjørn Svendsen, and Giampiero Salvi. (2025). Adding Metadata to Existing Parliamentary Speech Corpus. In Proceedings of the Joint 25th Nordic Conference on Computational Linguistics and 11th Baltic Conference on Human Language Technologies (NoDaLiDa/Baltic-HLT 2025), pages 448–457, Tallinn, Estonia. University of Tartu Library.

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 5 dialect labels.

Intended uses & limitations

Intended for research on Norwegian dialect identification — e.g. as a component in dialect-aware speech pipelines, or as a baseline for further dialect-ID research. 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 (see below); accuracy on other domains (conversational speech, children, non-native speakers) is not guaranteed. Separate evaluations of this model on read-speech (NB Tale) and human-survey audio are available in the source repo's results_dir/.
  • The final training epoch showed signs of overfitting (see Training results below); this repo ships the best checkpoint by eval accuracy, not the last chronological one.
  • The 5 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-5dialect"
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)
model = AutoModelForAudioClassification.from_pretrained(model_id)

audio, sr = librosa.load("path/to/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 5 dialect categories above. The assignment of dialect labels are discussed in more detail in Parsons et al.

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: fp16 (DeepSpeed)
  • feature encoder: not frozen (full fine-tune)
  • model selection: best checkpoint by eval accuracy (load_best_model_at_end)

Training results

Training LossEpochStepValidation LossAccuracy
0.03361.04530.43550.8941
0.01632.09060.29880.9263
0.00763.013590.51420.8868

The weights published in this repo are from epoch 2 (checkpoint-906) — the best-performing checkpoint — not the final epoch-3 checkpoint, which had started to overfit (training loss kept falling while validation accuracy dropped).

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
a3cf579

0 моделей