/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
20 апр 2026

surt-small-v3

Распознавание речиАудио → текст3 профессии

Surt v3 — Whisper-модель для транскрибации чтения Sehaj Path и киртана на гурмукхи.

76скачиваний за 30 дней1лайквеса обновлены21 апр 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

Surt v3 — это дообученная Surinder Singh модель Whisper-small для распознавания Gurbani в аудиозаписях с выводом текста на гурмукхи. Модель предназначена для транскрибации спокойного чтения Sehaj Path и музыкального исполнения киртана; она обучена с нуля от базовой openai/whisper-small на примерно 660 часах канонизированных аудиозаписей и размеченных текстов. Архитектура — WhisperForConditionalGeneration, библиотека — Transformers; в README указаны входное аудио 16 кГц, моно, обрабатываемое фрагментами до 30 секунд, и язык Punjabi с режимом transcribe.

На согласованных тестовых наборах заявлены WER 16,31% для Sehaj Path и 54,80% для киртана. Модель специализирована на Gurbani: она не обучалась на повседневной пенджабской речи, катхе, английском, хинди и других языках, поэтому качество для них может быть низким. Результаты также могут ухудшаться на шумных записях и аудио с акустикой, отличной от обучающих веб-записей. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация аудиозаписей Sehaj Path на гурмукхи
  • распознавание слов Gurbani в исполнении киртана
  • получение текста Gurbani из монофонических аудиофрагментов до 30 секунд

Ограничения

Модель не обучалась на повседневной пенджабской речи, катхе, английском, хинди и других языках. Точность на киртане заметно ниже, чем на спокойном чтении; шум и отличающиеся условия записи также могут ухудшить результат.

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

Surt v3 — Whisper-small fine-tune for Gurbani (Sehaj Path + Kirtan)

Surt v3 is a fine-tuned openai/whisper-small for automatic speech recognition of Gurbani in Gurmukhi script — covering both sehaj-path (calm recitation) and kirtan (sung/musical) traditions. Trained on ~660h of clean, canonicalized Gurbani audio.

This is the final-step (step 12000) model. For the step-11000 best-sehaj-WER checkpoint, see surindersinghssj/surt-small-v3-training.

Headline results

Evaluated on the matched canonical eval sets:

DomainDatasetWERCER
Sehajgurbani-sehajpath-yt-captions-eval-canonical16.315.25
Kirtangurbani-kirtan-yt-captions-eval-canonical54.8028.00

Best step-11000 checkpoint hits sehaj WER 15.84 / CER 5.15 — available on the training repo (see below).

Highlights

  • Cold start from base openai/whisper-small — no warm-start, no inherited v1/v2 bias
  • Sehaj WER 16.31% — major improvement over Surt v2's ~24% (data-leak-adjusted)
  • Kirtan WER 54.80% — comparable to v2's ~55% but v3 trained on 15× more kirtan, much better CER (28.00 vs v2's higher)
  • 660h of canonicalized Gurbani (sehaj + kirtan), all labels aligned to Sri Guru Granth Sahib Ji
  • Gurmukhi output (ਗੁਰਮੁਖੀ) — ॥ verse markers stripped from labels during training
  • Language tag: Punjabi (pa), task=transcribe

Quick start

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="surindersinghssj/surt-small-v3",
    chunk_length_s=30,
)
result = pipe("path/to/audio.wav", generate_kwargs={"language": "punjabi", "task": "transcribe"})
print(result["text"])

Or with direct model / processor access:

from transformers import WhisperForConditionalGeneration, WhisperProcessor

processor = WhisperProcessor.from_pretrained("surindersinghssj/surt-small-v3", language="punjabi", task="transcribe")
model = WhisperForConditionalGeneration.from_pretrained("surindersinghssj/surt-small-v3")
model.generation_config.language = "punjabi"
model.generation_config.task = "transcribe"
model.generation_config.forced_decoder_ids = None

Live demo: Gradio Space.

Training data

SourceRepoHoursRole
New sehaj (publicly available recordings with aligned transcripts)gurbani-sehajpath-yt-captions-canonical~160hPrimary sehaj stream
Old sehaj (studio)gurbani-sehajpath~66hExtra sehaj stream
Kirtan (publicly available recordings with aligned transcripts)gurbani-kirtan-yt-captions-300h-canonical~420hAux kirtan stream

Training mix: ~220h sehaj (36%) + ~420h kirtan (64%) via oversampling aux at AUX_TRAIN_PROBABILITY=0.64. Text column normalized to final_text on all canonical sources. Old sehaj's gurmukhi_text column renamed at load.

Evaluation

Sehaj trajectory

StepWERCER
50027.578.30
200026.178.20
500024.137.57
750016.975.54
900016.175.17
1100015.845.15
12000 (final)16.315.25

Kirtan (on the matched gurbani-kirtan-yt-captions-eval-canonical set, train split, 573 rows)

StepWERCER
750057.3629.66
900054.9228.27
12000 (final)54.8028.00

Note on the "pure" kirtan eval: an earlier eval used during training (gurbani-kirtan-eval-pure-canonical, eval split) showed inflated kirtan WER in the 119–135% range. That was a label-format mismatch — the "pure" eval references include extra markup the model was trained to strip. The numbers above use the matched canonical eval set.

Training procedure

  • Framework: 🤗 Transformers Seq2SeqTrainer (custom SurtTrainer with discriminative LR)
  • Precision: bf16
  • Attention: SDPA / Flash Attention 2 when installed
  • Hardware: 1× NVIDIA A40 (48 GB VRAM)
  • Wall-clock: ~6h 29m

Hyperparameters

KnobValue
max_steps12000
Per-device batch32
Grad accumulation2
Effective batch64
Encoder LR5e-5
Decoder LR3e-5
LR schedulercosine
Warmup steps900 (~7.5%)
Weight decay0.01
Generation max length448 tokens
Label-length filterdrop rows with >448 tokens

Data augmentation (raw waveform, pre-feature-extraction)

  • Gaussian noise @ p=0.4
  • Room reverb @ p=0.3
  • Time stretch 0.9–1.1 @ p=0.1
  • No pitch shift (kirtan is tonal — pitch distortion corrupts raga tonal center)

Intended use

  • Transcription of sehaj-path recitation recordings (best-performing domain, WER 16.31%)
  • Transcription of Gurbani kirtan audio (WER 54.80%, CER 28.00% — sung/musical context)
  • Input audio: 16 kHz mono, ≤30 seconds per chunk (Whisper's native window; auto-chunked in the Gradio demo)

Out-of-scope / limitations

  • Not trained on non-Gurbani Punjabi speech — expect degradation on everyday Punjabi conversation
  • Not trained on English / Hindi / other languages — base Whisper multilingual ability is mostly lost after full fine-tune
  • Speaker / mic / recording bias — training data skews toward publicly available web-sourced recordings with aligned transcripts; live Darbar Sahib PA reverb or noisy field recordings may WER worse
  • Katha (spoken commentary) is not in the training distribution — quality will vary

How this compares to prior Surt versions

VersionBaseTraining dataSehaj WERKirtan WER
Surt v1whisper-small66h sehaj only~24% (leak-inflated; true ~40–50%)— (hallucinates)
Surt v2Surt v1v1 + 28h noisy kirtan v2~regressed~55% (28h kirtan)
Surt v3whisper-small (cold start)660h canonical mixed16.31% (final) / 15.84% (best)54.80% (final)

Surt v3 matches or slightly improves on v2's kirtan WER while using 15× more kirtan data and achieving a much cleaner, script-aware sehaj model — all from a cold-start base, eliminating leak concerns.

License

Apache 2.0, inheriting from openai/whisper-small.

Citation

@misc{surt-v3-2026,
  title        = {Surt v3: Whisper-small fine-tune for Gurbani ASR},
  author       = {Singh, Surinder},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/surindersinghssj/surt-small-v3}}
}

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
4a65475

0 моделей