/ Модель

Характеристики

Параметры
905 млн
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
9 янв 2025

vi-whisper-large-v3-turbo

Распознавание речиАудио → текст7 профессий

Дообученная версия Whisper large-v3-turbo для преобразования вьетнамской речи в текст.

227скачиваний за 30 дней15лайковвеса обновлены20 мар 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

Модель suzii/vi-whisper-large-v3-turbo — дообученная разработчиком suzii версия Whisper large-v3-turbo для распознавания вьетнамской речи. Она принимает аудио и преобразует его в текст; обучение продолжалось 240 часов на одной видеокарте Nvidia A6000 с использованием нескольких корпусов вьетнамской речи. Архитектура — WhisperForConditionalGeneration, около 905,2 млн параметров; доступны веса в форматах Safetensors и ONNX, модель рассчитана на работу через Transformers.

Модель предназначена для транскрибирования вьетнамской речи, в том числе аудиозаписей, разговоров, видеороликов и аудиокниг. Её языковая специализация и дообучение на вьетнамских корпусах ориентированы на улучшение распознавания этого языка относительно исходной мультиязычной модели. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибирование вьетнамских аудиозаписей
  • распознавание речи во вьетнамских видеороликах
  • расшифровка телефонных разговоров на вьетнамском
  • создание текстовых расшифровок вьетнамских аудиокниг

Ограничения

Специализация на вьетнамском языке может ограничивать качество на других языках; качество распознавания зависит от записи и акустических условий.

Для каких профессий подходит7

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

Fine-tuned Whisper-V3-Turbo for Vietnamese ASR

This project involves fine-tuning the Whisper-V3-Turbo model to improve its performance for Automatic Speech Recognition (ASR) in the Vietnamese language. The model was trained for 240 hours using a single Nvidia A6000 GPU.

Data Sources

The training data comes from various Vietnamese speech corpora. Below is a list of datasets used for training:

  1. capleaf/viVoice
  2. NhutP/VSV-1100
  3. doof-ferb/fpt_fosd
  4. doof-ferb/infore1_25hours
  5. google/fleurs (vi_vn)
  6. doof-ferb/LSVSC
  7. quocanh34/viet_vlsp
  8. linhtran92/viet_youtube_asr_corpus_v2
  9. doof-ferb/infore2_audiobooks
  10. linhtran92/viet_bud500

Model

The model used in this project is the Whisper-V3-Turbo. Whisper is a multilingual ASR model trained on a large and diverse dataset. The version used here has been fine-tuned specifically for the Vietnamese language.

Training Configuration

  • GPU Used: Nvidia A6000
  • Training Time: 240 hours
  • Wandb report

Usage

To use the fine-tuned model, follow the steps below:

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "suzii/vi-whisper-large-v3-turbo-v1"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)
result = pipe("your-audio.mp3", return_timestamps=True)

Acknowledgements

This project would not be possible without the following datasets:

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
f158fc8

0 моделей