/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Опубликована
6 июл 2026

whisper-large-v3-kenyan-english-nonstandard-v1

Распознавание речиАудио → текст3 профессии

Модель Whisper Large-V3, дообученная для транскрибации нестандартного кенийского английского, в том числе на шумных записях и при артефактах мобильной связи.

14скачиваний за 30 дней1лайквеса обновлены13 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

Whisper Large-V3 — модель распознавания речи, разработанная Alexander S. Mainye на основе openai/whisper-large-v3. Она дообучена на нестандартной кенийской английской речи с полным обновлением параметров и шумовыми аугментациями аудиосигнала, включая имитацию GSM-сжатия и фонового шума. По метаданным модель содержит 905,2 млн параметров и распространяется в формате safetensors.

Модель предназначена для транскрибации кенийского английского в полевых условиях, в том числе при фоновом шуме и сжатии мобильной сетью. В тестировании на наборе cdli/kenyan_english_nonstandard_speech_v1.0 показатель WER составил 13,65% на чистом аудио и 18,31% на аудио с добавленным шумом. Лицензия — MIT.

Модель оптимизирована для нестандартного кенийского английского и не дообучалась для стандартного американского или британского вариантов. Она не предназначена для суахили и других языков Кении; качество на реверберационных записях не оценивалось. По сравнению с Whisper Small требует существенно больше вычислительных ресурсов при запуске.

Сценарии применения

  • транскрибация кенийского английского в полевых записях
  • распознавание речи при фоновом шуме и голосах толпы
  • транскрибация аудио с артефактами GSM-сжатия
  • распознавание нестандартного кенийского английского в мобильных записях

Ограничения

Оптимизирована для нестандартного кенийского английского; не предназначена для суахили и других языков Кении, а качество на стандартном американском и британском английском может отличаться от базовой модели. Данные для обучения ограничены, реверберационные условия не оценивались, а инференс требует существенно больше ресурсов, чем Whisper Small.

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 — Kenyan English (Non-Standard, Noise-Robust)

Fine-tuned from openai/whisper-large-v3 on non-standard Kenyan English speech, with waveform-level noise augmentation to improve robustness under real-world Kenyan field deployment conditions (mobile networks, ambient crowd noise, device volume variation).

Developed by Alexander S. Mainye.

Upgrade from whisper-small: this model improves on smainye/whisper-small-kenyan-english-nonstandard-v2 across every metric — clean WER (15.77% → 13.65%), noisy WER (21.62% → 18.31%), and robustness gap (5.85 pp → 4.66 pp).

This model is published as: smainye/whisper-large-v3-kenyan-english-nonstandard-v1

Model Details

PropertyValue
Base modelopenai/whisper-large-v3
Total parameters1,543,490,560
Trainable parameters1,543,490,560 (full fine-tuning)
LanguageKenyan English (en-KE)
TaskAutomatic Speech Recognition
DomainNon-standard Kenyan English
Training datasetcdli/kenyan_english_nonstandard_speech_v1.0
GPUNVIDIA A100-SXM4-80GB

Training Report

View Run 2 Report

Performance

Evaluated on the held-out test split of cdli/kenyan_english_nonstandard_speech_v1.0 (926 examples). Clean evaluation uses unaugmented audio; noisy evaluation applies the same waveform augmentation pipeline used during training.

SplitWERCER
Dev set (clean)19.10%12.14%
Test set (clean)13.65%8.39%
Test set (noise-augmented)18.31%11.53%
Robustness gap (clean → noisy)4.66 pp3.14 pp

The 4.66 pp robustness gap is the best result across the entire whisper-small and whisper-large-v3 fine-tuning series on this dataset, representing the first time noisy test WER fell below 20% for this domain.

Comparison with whisper-small-kenyan-english-nonstandard-v2

Metricwhisper-small-kenyan-english-nonstandard-v2whisper-large-v3-kenyan-english-nonstandard-v1Improvement
Test WER (clean)15.77%13.65%-2.12 pp
Test WER (noisy)21.62%18.31%-3.31 pp
Robustness gap5.85 pp4.66 pp-1.19 pp

Training Details

Dataset

cdli/kenyan_english_nonstandard_speech_v1.0 — non-standard Kenyan English speech covering etiologies.

SplitRaw sizeFiltered (<= 30s)
Train4,3784,243
Validation542542
Test928926

Fine-Tuning Strategy

Full fine-tuning with all 1.55B parameters trainable, including the encoder. Prior experiments (frozen encoder) confirmed that unfreezing the encoder was critical for noise robustness — it enables the acoustic feature extraction layer to adapt directly to Kenyan field conditions rather than relying on the decoder alone.

Augmentation Pipeline

Waveform-level augmentation applied during training only (AUGMENT_PROB = 0.4). Evaluation always used clean audio.

AugmentationParametersPurpose
Volume perturbationGain range 0.7–1.3 (always applied)Device volume variation
Gaussian noiseLevel 0.002–0.01Ambient crowd noise
GSM codec simulation8kHz downsample/resampleMobile network compression
Room reverbDisabled—

SpecAugment was also applied during training (mask_time_prob = 0.05, mask_feature_prob = 0.05).

Hyperparameters

HyperparameterValue
Learning rate5e-7
LR schedulerPolynomial decay (lr_end = 1e-8, power = 1)
Warmup steps100
Weight decay0.01
Batch size8
Max steps2,000
Early stopping patience7
Best checkpoint step1,800
PrecisionBF16

Training ran the full 2,000-step budget without early stopping triggering. The best validation WER (19.24%) was achieved at step 1,800 — consistent with the polynomial scheduler's gradual decay allowing late-stage improvement.

Usage

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch

processor = WhisperProcessor.from_pretrained("smainye/whisper-large-v3-kenyan-english-nonstandard-v1")
model = WhisperForConditionalGeneration.from_pretrained("smainye/whisper-large-v3-kenyan-english-nonstandard-v1")

# Load your audio (must be 16kHz, mono)
# audio is a numpy array of shape (samples,)
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")

with torch.no_grad():
    predicted_ids = model.generate(
        inputs["input_features"],
        language="en",
        task="transcribe"
    )

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

Notes on intended use

  • Optimised for non-standard Kenyan English.
  • Most robust to ambient crowd noise and GSM/mobile codec artifacts (as trained).
  • Not fine-tuned for standard American or British English; general-purpose WER on those varieties may differ from openai/whisper-large-v3 baseline.
  • Evaluation was conducted on a noise-augmented test set simulating field conditions; real-world WER will vary based on recording quality and acoustic environment.
  • This model is substantially larger than whisper-small (1.55B vs 241M parameters) and requires more memory at inference time. For resource-constrained environments, consider smainye/whisper-small-kenyan-english-nonstandard-v2 instead.

Limitations

  • Dataset size: the training set comprises 4,243 examples. Performance on speaker demographics, dialects, or acoustic conditions not well-represented in cdli/kenyan_english_nonstandard_speech_v1.0 may degrade.
  • Room reverb not covered: reverb-heavy environments (lecture halls, large rooms) were not part of the augmentation pipeline. Performance in strongly reverberant conditions is untested.
  • Inference cost: at 1.55B parameters, this model requires significantly more compute at inference time than whisper-small. Plan accordingly for production deployments.
  • Language: English only. Not suitable for Swahili or other Kenyan languages.

Training Infrastructure

Training was conducted using Modal GPU infrastructure (NVIDIA A100-SXM4-80GB) with the Hugging Face transformers Seq2SeqTrainer.

Citation

If you use this model in your work, please cite it as:

@misc{whisper-large-v3-kenyan-english-nonstandard,
  author       = {Mainye, Alexander Sheldon},
  title        = {Whisper Large-V3 Fine-tuned on Non-Standard Kenyan English Speech},
  year         = {2026},
  publisher    = {Hugging Face},
  url          = {https://huggingface.co/smainye/whisper-large-v3-kenyan-english-nonstandard-v1}
}

Buy Me A Coffee

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
a438f74

0 моделей