/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
CC BY-NC 4.0
Архитектура
cohere_asr · dense
Опубликована
11 апр 2026

hviske-v5

Распознавание речиАудио → текст7 профессий

Датская модель распознавания речи Hviske v5 преобразует аудиозаписи, включая парламентские и вещательные, в текст.

114скачиваний за 30 дней2лайкавеса обновлены21 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

Hviske v5 — модель распознавания датской речи, разработанная Syvai. Это плотная encoder-decoder архитектура Conformer с 2 млрд параметров, обученная примерно на 3,5 млн аудиозаписей общей длительностью около 16 тысяч часов из семи датских наборов данных. Модель принимает аудио и преобразует речь в текст; её основное назначение — транскрибация датской речи.

В README приведены результаты оценки на парламентских записях, вещательных материалах и других датских речевых данных. Например, WER составил 6,4% на ftspeech и 5,7% на nota в указанной выборке. Для семейства уже доступна более новая версия v5.3, рекомендованная автором и показывающая лучшие результаты на тесте CoRal v3; v5 сохранена для воспроизводимости. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • транскрибация датских парламентских заседаний
  • распознавание датской речи в радиопередачах
  • преобразование датских аудиозаписей в текст
  • автоматическая расшифровка датских записей для последующего поиска

Ограничения

Модель предназначена для датской речи; результаты зависят от сходства аудио с обучающими данными. Автор рекомендует более новую версию hviske-v5.3 для актуального применения; лицензия CC BY-NC 4.0 не допускает коммерческое использование.

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

A newer model is available — please use syvai/hviske-v5.3 instead. v5.3 is the current recommended Danish ASR model from this family and reaches 13.91% strict WER on the CoRal v3 full test set (beam=5). This v5 checkpoint is kept for reproducibility only.

Hviske v5 — Danish ASR

A 2B-parameter Conformer encoder-decoder ASR model trained for Danish speech recognition.

Trained on ~3.5M samples (~16,000 hours) of Danish speech across 7 datasets.

Training progression

VersionTraining dataAvg WER
Base architecture—>100% (no Danish pretraining)
hviske-v1CoRal-v3~20%
hviske-v4+ nota + ftspeech6.7% (parliamentary)
hviske-v5+ VoxPopuli + nst-da + Common Voice14.1% (multi-domain avg)

Evaluation results

Evaluated on 200 samples per dataset (WER / CER):

DatasetDomainWERCER
VoxPopuliEuropean Parliament11.8%6.3%
notaBroadcast media5.7%1.8%
ftspeechDanish Parliament6.4%3.1%
CoRal-v3 read_aloudRead-aloud speech19.2%7.0%
CoRal-v3 conversationConversational17.1%9.3%
nst-daGeneral Danish14.0%8.4%
Common Voice 17Crowd-sourced24.3%7.4%
Average14.1%6.2%

Training details

  • Architecture: 2B-param Conformer encoder-decoder, full fine-tuning (encoder + decoder), encoder BatchNorm in eval mode
  • Optimizer: AdamW 8-bit, LR 2.5e-5, cosine schedule with 500-step warmup
  • Batch size: 32 (4 × 8 gradient accumulation)
  • Data mixing: Shuffle buffer (20k samples) across all datasets for balanced domain exposure
  • Audio: 16kHz mono, max 20s per sample
  • Hardware: Single NVIDIA RTX 3090 (24GB)

Training data

DatasetSamplesHoursDescription
VoxPopuli Danish1,775,578~13,600European Parliament recordings
ftspeech995,677~1,400Danish Parliament (Folketinget)
CoRal-v3 read_aloud299,255~400Read-aloud Danish speech
nst-da182,605~250NST Danish speech corpus
CoRal-v3 conversation147,249~200Conversational Danish
nota98,600~270Danish broadcast media
Common Voice 173,484~5Crowd-sourced Danish
Total~3.5M~16,000

A unified version of all training data is available at syvai/danish-asr-unified.

Usage

Installation

pip install transformers==4.57.6 torch soundfile librosa

Basic transcription

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq
import soundfile as sf

processor = AutoProcessor.from_pretrained("syvai/hviske-v5", trust_remote_code=True)
model = AutoModelForSpeechSeq2Seq.from_pretrained("syvai/hviske-v5", trust_remote_code=True)
model = model.to("cuda")  # optional, for GPU inference

audio, sr = sf.read("audio.wav")

transcriptions = model.transcribe(
    processor=processor,
    audio_arrays=[audio],
    sample_rates=[sr],
    language="da",
    punctuation=True,
)
print(transcriptions[0])

Batch transcription

import soundfile as sf

files = ["file1.wav", "file2.wav", "file3.wav"]
arrays, rates = [], []
for f in files:
    audio, sr = sf.read(f)
    arrays.append(audio)
    rates.append(sr)

transcriptions = model.transcribe(
    processor=processor,
    audio_arrays=arrays,
    sample_rates=rates,
    language="da",
    punctuation=True,
)
for f, t in zip(files, transcriptions):
    print(f"{f}: {t}")

High-throughput inference with vLLM

For production workloads, serve the model with vLLM for significantly higher throughput:

pip install vllm
vllm serve syvai/hviske-v5 --trust-remote-code

Then send requests:

import requests, base64, soundfile as sf, io

audio, sr = sf.read("audio.wav")
buf = io.BytesIO()
sf.write(buf, audio, sr, format="WAV")
audio_b64 = base64.b64encode(buf.getvalue()).decode()

response = requests.post("http://localhost:8000/v1/chat/completions", json={
    "model": "syvai/hviske-v5",
    "messages": [{"role": "user", "content": [
        {"type": "input_audio", "input_audio": {"data": audio_b64, "format": "wav"}}
    ]}],
})
print(response.json()["choices"][0]["message"]["content"])

License

This model is released under Creative Commons Attribution-NonCommercial 4.0 (CC BY-NC 4.0).

  • Permitted: non-commercial use including research, education, evaluation, and personal projects, with attribution.
  • Not permitted without a separate commercial license: any use by or for a commercial entity, integration into a commercial product or service, or use to generate revenue (directly or indirectly).
  • Commercial licensing: contact mads@syv.ai.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
CohereAsrForConditionalGeneration
Ревизия весов
24f9a95

0 моделей