/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
8 июн 2026

kazakh-whisper-large-v3-turbo

Распознавание речиАудио → текст10 профессий

Дообученная версия Whisper Large-v3 Turbo для распознавания казахской речи и преобразования аудио в текст.

13 048скачиваний за 30 дней15лайковвеса обновлены14 авг 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

Kazakh Whisper Large-v3 Turbo — модель распознавания речи на казахском языке, созданная автором репозитория shyngys879 путём дообучения Whisper Large-v3 Turbo от OpenAI. Это модель семейства Whisper с архитектурой encoder-decoder; она принимает аудио и выдаёт текстовую расшифровку. Чекпойнт предназначен для использования через Transformers и Hugging Face pipelines без LoRA-адаптера или специального кода загрузки.

Модель обучена на смеси публичных казахских речевых наборов: README сообщает о 841 113 обучающих примерах и более чем 1 500 часах речи. Среди сценариев — транскрибация записей, создание субтитров, расшифровка подкастов, интервью и встреч, а также подготовка речевых данных и обработка звонков. В тесте FLEURS для казахского языка указаны WER 11,80% и CER 4,98%; результаты относятся к описанному набору оценивания.

Качество может снижаться при сильном фоновом шуме, перекрывающихся голосах, выраженных акцентах и диалектах, смешении казахского с русским, записях с преобладанием музыки и обработке очень длинного аудио без сегментации. README рекомендует подавать аудио с частотой 16 кГц и разбивать длинные записи на фрагменты. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация казахской речи из аудиозаписей
  • создание казахских субтитров
  • расшифровка казахских подкастов и интервью
  • транскрибация казахских совещаний и лекций
  • подготовка текстовых аннотаций к казахским аудиоданным
  • распознавание казахской речи в голосовых помощниках и звонках

Ограничения

Качество может снижаться при шуме, перекрывающихся голосах, сильных акцентах и диалектах, смешении казахского и русского, а также на записях с преобладанием музыки. Очень длинное аудио рекомендуется сегментировать.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kazakh Whisper Large-v3 Turbo

🏆 Best open-source speech recognition model for the Kazakh language.

Kazakh Whisper Large-v3 Turbo is a Whisper-based speech-to-text model fine-tuned specifically for Kazakh using a large-scale mixture of public speech datasets.

The model is built on OpenAI's Whisper Large-v3 Turbo architecture and trained on over 841,000 speech-transcript pairs representing approximately 1,500+ hours of Kazakh speech collected from multiple public sources.

The resulting checkpoint is a merged full Transformers model that can be used directly without LoRA adapters or custom loading code.


Key Features

  • Optimized specifically for Kazakh ASR
  • Trained on 841k+ speech-transcript pairs
  • 1,500+ hours of speech
  • Based on Whisper Large-v3 Turbo
  • Ready-to-use Transformers checkpoint
  • Evaluated on external and internal benchmarks
  • Compatible with Hugging Face pipelines
  • Suitable for production and research use

Benchmark Summary

FLEURS Kazakh Test

ModelWER ↓CER ↓
Kazakh Whisper Large-v3 Turbo11.80%4.98%
Whisper Large-v3 Turbo19.75%5.05%
Wav2Vec2 XLSR Kazakh21.75%6.24%
Whisper Large-v331.10%6.57%
Whisper Medium48.69%10.92%
Whisper Small70.45%21.23%

The model achieves the strongest performance among the evaluated open-source Kazakh ASR systems in this benchmark suite.

Internal Kazakh ASR Test Set

This benchmark uses a fixed 5,000-example held-out test subset from the cleaned Kazakh ASR mixture.

This evaluation is an internal benchmark and should be interpreted as a secondary result. The FLEURS Kazakh test is used as the main external benchmark.

ModelExamplesWER ↓CER ↓
Kazakh Whisper Large-v3 Turbo5,0008.73%2.10%
Whisper Large-v3 Turbo5,00017.37%3.73%
Wav2Vec2 XLSR Kazakh5,00021.07%4.22%
Whisper Large-v35,00040.80%9.09%
Whisper Medium5,00059.05%14.58%
Whisper Small5,00077.48%23.52%

Inference Speed Benchmark

Inference speed was measured on 106 audio files (30.27 minutes total audio) using a Kaggle NVIDIA T4 GPU.

This benchmark is intended to provide a practical comparison of recognition speed across commonly used open-source ASR models.

ModelWER ↓CER ↓Inference Time ↓RTF ↓Speed ↑
Kazakh Whisper Large-v3 Turbo11.80%4.98%117.28 sec0.064615.48×
Whisper Large-v3 Turbo19.75%5.05%125.37 sec0.069014.48×
Wav2Vec2 XLSR Kazakh21.75%6.24%11.56 sec0.0064157.08×
Whisper Large-v331.10%6.57%572.48 sec0.31533.17×
Whisper Medium48.69%10.92%394.08 sec0.21704.61×
Whisper Small70.45%21.23%225.84 sec0.12448.04×

Notes

  • WER (Word Error Rate): lower is better.
  • CER (Character Error Rate): lower is better.
  • RTF (Real-Time Factor): lower is faster.
  • Speed: audio duration divided by inference time. Higher is faster.

While the Wav2Vec2 baseline provides the fastest inference speed, Kazakh Whisper Large-v3 Turbo achieves substantially stronger recognition quality while maintaining practical real-time performance.

Among the evaluated models, Kazakh Whisper Large-v3 Turbo provides the best overall quality-speed tradeoff for Kazakh speech recognition workloads.


Usage

Installation

pip install transformers accelerate torch torchaudio

Quick Start

The model can be used directly with the Hugging Face pipeline() API:

from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="shyngys879/kazakh-whisper-large-v3-turbo"
)

result = asr(
    "audio.wav",
    generate_kwargs={
        "language": "kk",
        "task": "transcribe"
    }
)

print(result["text"])

GPU Inference

For faster inference, use GPU inference with FP16:

import torch
from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="shyngys879/kazakh-whisper-large-v3-turbo",
    torch_dtype=torch.float16,
    device="cuda"
)

result = asr(
    "audio.wav",
    generate_kwargs={
        "language": "kk",
        "task": "transcribe"
    }
)

print(result["text"])

CPU Inference

from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="shyngys879/kazakh-whisper-large-v3-turbo",
    device="cpu"
)

result = asr(
    "audio.wav",
    generate_kwargs={
        "language": "kk",
        "task": "transcribe"
    }
)

print(result["text"])

Long Audio

For long audio files such as meetings, podcasts, interviews, and lectures, use chunked inference:

from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="shyngys879/kazakh-whisper-large-v3-turbo",
    chunk_length_s=30,
    batch_size=8
)

result = asr(
    "meeting.wav",
    generate_kwargs={
        "language": "kk",
        "task": "transcribe"
    }
)

print(result["text"])

Batch Processing

from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="shyngys879/kazakh-whisper-large-v3-turbo"
)

files = [
    "audio1.wav",
    "audio2.wav",
    "audio3.wav"
]

for file in files:
    result = asr(
        file,
        generate_kwargs={
            "language": "kk",
            "task": "transcribe"
        }
    )

    print(file, result["text"])

Direct Transformers Usage

The model can also be used directly with WhisperProcessor and WhisperForConditionalGeneration:

import torch
import torchaudio
from transformers import WhisperProcessor, WhisperForConditionalGeneration

model_id = "shyngys879/kazakh-whisper-large-v3-turbo"

processor = WhisperProcessor.from_pretrained(model_id)

model = WhisperForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto"
)

audio_path = "audio.wav"

speech_array, sampling_rate = torchaudio.load(audio_path)

if sampling_rate != 16000:
    resampler = torchaudio.transforms.Resample(sampling_rate, 16000)
    speech_array = resampler(speech_array)

audio_array = speech_array.squeeze().numpy()

inputs = processor(
    audio_array,
    sampling_rate=16000,
    return_tensors="pt"
)

input_features = inputs.input_features.to(
    model.device,
    dtype=torch.float16
)

with torch.no_grad():
    predicted_ids = model.generate(
        input_features,
        language="kk",
        task="transcribe",
        max_new_tokens=225
    )

text = processor.batch_decode(
    predicted_ids,
    skip_special_tokens=True
)[0]

print("Prediction:", text)

Dataset Annotation

from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="shyngys879/kazakh-whisper-large-v3-turbo"
)

audio_files = [
    "sample1.wav",
    "sample2.wav",
    "sample3.wav"
]

annotations = []

for audio_file in audio_files:
    result = asr(
        audio_file,
        generate_kwargs={
            "language": "kk",
            "task": "transcribe"
        }
    )

    annotations.append({
        "audio": audio_file,
        "transcript": result["text"]
    })

print(annotations)

Best Practices

For best performance:

  • Use 16 kHz audio when possible.
  • Use language="kk" and task="transcribe".
  • Segment very long recordings before transcription.
  • Use chunked inference for meetings, podcasts, interviews, and lectures.
  • Use GPU inference for large-scale workloads.
  • Use clean speech recordings whenever possible.

Training Data

The model was trained on a cleaned and deduplicated mixture of public Kazakh ASR datasets:

  • issai/Kazakh_Speech_Corpus_2
  • farabi-lab/kazakh-stt
  • voice-biomarkers/openslr-140-hq-Kazakh
  • Flamme-VRM/kazakh-speech-dataset
  • SRP-base-model-training/kazakh_speech_dataset_ksd
  • Shirali/ISSAI_KSC_335RS_v_1_1
  • SRP-base-model-training/kazakh_speech_corpus_2
  • sarulab-speech/yodas2_sidon

Dataset Statistics

SplitExamples
Train841,113
Validation26,863
Test32,439
Total900,415

Intended Applications

This model can be used for:

  • Speech transcription
  • Subtitle generation
  • Podcast transcription
  • Interview transcription
  • Meeting transcription
  • Voice assistants
  • Dataset annotation
  • Educational applications
  • Call-center analytics
  • Kazakh NLP pipelines

Model Details

FieldValue
Model NameKazakh Whisper Large-v3 Turbo
ArchitectureWhisper
Base Modelopenai/whisper-large-v3-turbo
LanguageKazakh
Parameters0.8B
PrecisionFP16
Training Examples841,113
Approximate Audio1,500+ hours
Training Steps26,286
Effective Epochs2

Limitations

Performance may degrade on:

  • Heavy background noise
  • Overlapping speakers
  • Strong accents or dialects
  • Code-switched Kazakh/Russian speech
  • Music-heavy recordings
  • Very long audio without segmentation

Contact, Custom Fine-Tuning, and Model Use

For commercial deployment, research collaboration, model evaluation, or custom fine-tuning on your organization's data, please contact:

Shyngys Sovetkhan
Email: shyngyssovetkhan0@gmail.com

If your company or organization uses this model, has evaluated it, or has found it useful, I would greatly appreciate a brief official confirmation letter describing the use case or evaluation results. Such documentation helps demonstrate the model's real-world impact in my university applications. The letter can be sent to the email address above.


Citation

@misc{sovetkhan2026kazakhwhisper,
  title={Kazakh Whisper Large-v3 Turbo},
  author={Shyngys Sovetkhan},
  year={2026},
  howpublished={Hugging Face Model Hub},
  url={https://huggingface.co/shyngys879/kazakh-whisper-large-v3-turbo}
}

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
dafae81

0 моделей