/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-small
Опубликована
1 июл 2026

whisper-small-kenyan-english-nonstandard-v2

Распознавание речиАудио → текст5 профессий

Дообученная Whisper-small для транскрибирования нестандартного кенийского английского, в том числе при фоновом шуме и артефактах мобильной связи.

19скачиваний за 30 дней0лайковвеса 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-small-kenyan-english-nonstandard-v2 — модель распознавания речи, разработанная Alexander Sheldon Mainye и дообученная на базе openai/whisper-small. Она предназначена для транскрибирования нестандартного кенийского английского, в том числе в полевых условиях с фоновым шумом и артефактами мобильной связи. В обучении применялись шумовая аугментация аудиосигнала, имитация GSM-кодека и SpecAugment; модель содержит 153,1 млн параметров по метаданным и распространяется в формате safetensors.

На тестовой выборке из датасета cdli/kenyan_english_nonstandard_speech_v1.0 указаны WER 15,77% на чистом аудио и 21,62% на шумовом. Модель оптимизирована для кенийского английского; качество на стандартном американском и британском английском может быть ниже, чем у исходной Whisper-small. Обучающая выборка невелика, а работа в помещениях с сильной реверберацией не проверялась. Лицензия — MIT.

Сценарии применения

  • транскрибирование речи носителей кенийского английского
  • распознавание записей с фоновым шумом и толпой
  • транскрибирование аудио, сжатого мобильной сетью
  • распознавание речи с различной громкостью записи

Ограничения

Оптимизирована для кенийского английского; качество на стандартных американском и британском вариантах может быть ниже, чем у базовой Whisper-small. Небольшой обучающий набор и отсутствие проверки в условиях сильной реверберации ограничивают перенос на другие говоры и акустические условия.

Для каких профессий подходит5

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

Whisper-small-kenyan-english-nonstandard-v2 (Non-Standard, Noise-Robust)

Fine-tuned from openai/whisper-small 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 Sheldon Mainye.

Model Details

PropertyValue
Base modelopenai/whisper-small
Total parameters241,734,912
Trainable parameters241,734,912 (full fine-tuning)
LanguageKenyan English (en-KE)
TaskAutomatic Speech Recognition
DomainNon-standard Kenyan English
Training datasetcdli/kenyan_english_nonstandard_speech_v1.0

Training Report

View Run 3 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)21.65%13.47%
Test set (clean)15.77%9.32%
Test set (noise-augmented)21.62%13.61%
Robustness gap (clean → noisy)5.85 pp4.29 pp

The 5.85 pp robustness gap represents a 56% relative reduction compared to earlier runs trained at higher augmentation probability (prior best: 13.5 pp gap), while clean test WER remained competitive.

Training Details

Dataset

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

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

Augmentation Pipeline

Waveform-level augmentation was applied during training only (AUGMENT_PROB = 0.4). Evaluation always used clean audio for reproducible WER/CER comparisons.

AugmentationParametersPurpose
Volume perturbationGain range 0.7–1.3 (always applied)Device volume variation
Gaussian noiseLevel 0.002–0.015Ambient crowd noise
GSM codec simulation8kHz downsample/resampleMobile network compression
Room reverbDisabled (AUG_REVERB = False)—

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

Hyperparameters

HyperparameterValue
Learning rate3e-6
LR schedulerPolynomial decay (lr_end = 1e-8, power = 1)
Warmup steps100
Weight decay0.01
Batch size32
Max steps2,000
Early stopping patience7
Best checkpoint step1,800
PrecisionFP16

Training ran the full 2,000-step budget without early stopping triggering. The best validation WER (21.65%) was achieved at step 1,800, confirming that patience 7 and the polynomial decay schedule were appropriate for this dataset size.

Usage

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch

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

# Load your audio (must be 16kHz, mono)
# audio is a numpy array or torch tensor 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 be lower than openai/whisper-small 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.

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 in this run. Performance in strongly reverberant conditions is untested.
  • Model capacity: based on whisper-small (241M parameters). Larger Whisper variants may yield lower WER on this domain.
  • Language: Suited for Kenyan English speakers.

Training Infrastructure

Training was conducted using Modal GPU infrastructure with the Hugging Face transformers Seq2SeqTrainer.

Citation

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

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

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
698e629

0 моделей