/ Модель

Характеристики

Параметры
905 млн
Лицензия
CC BY-NC 4.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
31 мая 2026

nepali-asr-whisper-turbo

Распознавание речиАудио → текст6 профессий

Дообученная версия Whisper Large v3 Turbo для транскрипции речи на непали.

136скачиваний за 30 дней0лайковвеса обновлены31 мая 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

Это мультиязычная модель распознавания речи на непали, разработанная Suman Paudel и созданная дообучением OpenAI Whisper Large v3 Turbo. Архитектура — авторегрессионный encoder–decoder Whisper; метаданные указывают 905,2 млн параметров, а в README приведена оценка 809 млн. Модель принимает аудио и выдаёт текст на непали; при обучении использовались записи с частотой 16 кГц в моно и транскрипции, нормализованные в NFC.

Модель предназначена для автоматической транскрипции непальской речи. На тестовом наборе OpenSLR SLR54 указаны WER 14,76% и CER 3,48%; на FLEURS — 39,56% и 13,7%, на Common Voice 25.0 — 48,35% и 12,9%. Время обработки на NVIDIA L4 зависит от набора данных: указанный RTF составляет 0,0460–0,0979.

Обучение проводилось только на чтении вслух. Точность на спонтанной разговорной речи, смешанной непали-английской или непали-хинди речи и диалектах не оценивалась; при декодировании внешняя языковая модель не используется. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование с соблюдением её условий.

Сценарии применения

  • транскрибация записей речи на непали
  • распознавание прочитанных вслух текстов на непали
  • создание субтитров к аудио на непали

Ограничения

Модель дообучена только на речи, прочитанной вслух; качество на спонтанной речи, смешанной непали-английской или непали-хинди речи и диалектах не оценивалось. Внешняя языковая модель при декодировании не используется, а результаты на Common Voice показывают заметно более высокую ошибку, чем на OpenSLR.

Для каких профессий подходит6

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-Large-v3-Turbo (Nepali)

Fine-tuned multilingual pre-trained ASR for Nepali — part of the controlled six-model Nepali ASR Benchmark released alongside the paper Comparative Analysis of Multilingual Pre-trained Models for Nepali Automatic Speech Recognition.

Model summary

FieldValue
Base modelopenai/whisper-large-v3-turbo
Architecture familyEncoder–Decoder (autoregressive)
Parameters809M
LanguageNepali (ne), Devanagari script
Fine-tuning corpusOpenSLR SLR54 (~165 hr, speaker-disjoint 80/10/10 split)
Training duration33.9 h on a single NVIDIA L4 (24 GB VRAM)
Best epoch3 (early-stopped)

Benchmark results

Word and character error rate on the three independent test sets, plus inference Real-Time Factor (RTF) on a single NVIDIA L4 with batch size 1 (lower RTF = faster).

Test setWER (%)CER (%)RTF
OpenSLR SLR54 (in-domain)14.763.480.0979
FLEURS (ne_np)39.5613.70.0460
Common Voice (ne-NP)48.3512.90.0832

WER and CER are computed with jiwer after NFC normalisation of both reference and hypothesis. Best in-domain performance during training was WER 14.27% / CER 3.35%.

Note on Common Voice (Nepali). As of 2025, Mozilla distributes Common Voice via the Mozilla Data Collective (MDC) instead of the Hugging Face Hub. The benchmark numbers below were produced on the ne-NP test split of CV 25.0 downloaded from MDC.

Usage

# pip install transformers librosa soundfile torch
import torch
import librosa
import unicodedata
from transformers import WhisperForConditionalGeneration, AutoProcessor

REPO = "sumanpaudel1997/nepali-asr-whisper-turbo"
device = "cuda" if torch.cuda.is_available() else ("mps" if torch.backends.mps.is_available() else "cpu")

processor = AutoProcessor.from_pretrained(REPO)
model = WhisperForConditionalGeneration.from_pretrained(REPO).to(device).eval()

# Load and resample to 16 kHz mono (the training rate).
audio, _ = librosa.load("your_clip.wav", sr=16000, mono=True)

inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
forced_decoder_ids = processor.get_decoder_prompt_ids(language="ne", task="transcribe")
with torch.no_grad():
    generated = model.generate(
        inputs.input_features.to(device),
        forced_decoder_ids=forced_decoder_ids,
        max_new_tokens=256,
    )

text = processor.batch_decode(generated, skip_special_tokens=True)[0]
text = unicodedata.normalize("NFC", text).strip()
print(text)
# Example output (depends on clip): 'नेपालको संविधानले सबै नागरिकलाई समान अधिकार प्रदान गर्दछ।'

Training protocol (summary)

  • Audio resampled to 16 kHz mono, transcriptions Unicode-normalised to NFC.
  • Utterances shorter than 0.5 s or longer than 30 s removed.
  • Family-matched optimiser/scheduler: AdamW, family-specific learning rate, warmup, and decay.
  • SpecAugment applied to every model.
  • Early stopping when validation WER stagnated for three consecutive evaluation rounds.

Full hyperparameters and the controlled comparison across all six models are in the paper (see Citation).

Limitations

  • Fine-tuned on read speech only. Performance on spontaneous conversational speech, code-switched (Nepali–English / Hindi) speech, and dialectal variation is out of scope for this release.
  • No external language model is used during decoding — reported numbers reflect acoustic-model performance only. Shallow fusion / n-best rescoring with a Nepali LM is expected to deliver additional gains, especially on noisy audio.
  • Crowd-sourced Common Voice (~48 % WER for the best model in the suite) remains the largest open problem; this checkpoint is no exception.

License

Released under CC-BY-NC-4.0 — research/non-commercial use, attribution required. The licences of the source base model (linked above) and of the fine-tuning datasets (OpenSLR SLR54, FLEURS, Common Voice) apply on top of this restriction. For commercial use, contact the authors.

Acknowledgements

M.Sc. (Data Science) thesis carried out at the School of Mathematical Sciences, Institute of Science and Technology, Tribhuvan University, Kathmandu, Nepal, under the supervision of Asst. Prof. Sarbin Sayami (Central Department of Computer Science and Information Technology). Thanks to the open-source teams behind Wav2Vec 2.0, Whisper, MMS, IndicWav2Vec, and NVIDIA NeMo for the publicly released base checkpoints, and to OpenSLR, Google FLEURS, and Mozilla Common Voice for the source corpora.

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
0007140

0 моделей