/ Модель

Характеристики

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

hviske-v5.1

Распознавание речиАудио → текст6 профессий

Датская ASR-модель syvai для транскрибации речи из аудиозаписей, включая разговоры и чтение вслух.

41скачиваний за 30 дней1лайквеса обновлены8 июн 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-v5.1 — модель автоматического распознавания датской речи, разработанная syvai. Это 2-миллиардная модель архитектуры Conformer encoder-decoder, обученная примерно на 3,5 млн аудиозаписей общей длительностью около 16 тыс. часов из набора syvai/danish-asr-unified. Она преобразует аудио в текст и предназначена для транскрибации датской речи, в том числе разговоров и чтения вслух.

Модель принимает аудио, автоматически разбивает записи длиннее 35 секунд на фрагменты и выполняет внутреннее преобразование частоты дискретизации в 16 кГц. Для запуска описана поддержка Transformers 4.57.6 и сервера vLLM с API, совместимым с OpenAI. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Автор рекомендует более новую версию hviske-v5.3; версия v5.1 сохранена как основа для последующих дообучений и воспроизводимости.

Сценарии применения

  • транскрибация датских телефонных разговоров
  • расшифровка датских интервью и встреч
  • распознавание датской речи в аудиозаписях длиннее 35 секунд

Ограничения

Автор рекомендует более новую модель syvai/hviske-v5.3. Для работы требуется Transformers 4.57.6: модель несовместима с Transformers версии 5.0 и новее; лицензия CC BY-NC 4.0 не допускает коммерческое использование.

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

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 v5.1 checkpoint is kept as the base for downstream fine-tunes (v5.2, v5.3) and for reproducibility.

hviske-v5.1

Danish ASR model — a 2B-parameter Conformer encoder-decoder trained on ~3.5M samples (~16k hours) of Danish speech from syvai/danish-asr-unified.

Results on CoRal v3 test

SplitBaseline WERBaseline CERv5.1 WERv5.1 CERElevenLabs scribe_v2 WERElevenLabs scribe_v2 CEROpenAI gpt-4o-transcribe WEROpenAI gpt-4o-transcribe CER
read_aloud104.73%60.05%19.45%7.24%18.62%7.60%26.34%11.31%
conversation126.12%99.84%25.46%14.08%31.38%19.57%55.24%43.63%

WER drop of 85 pp on read-aloud and 101 pp on conversational speech.

ElevenLabs scribe_v2 evaluated via the public /v1/speech-to-text API and OpenAI gpt-4o-transcribe via /v1/audio/transcriptions — both on the full CoRal v3 test splits (n=17,560) with strict normalization (lowercase + punctuation strip + Danish digit-to-word via num2words(lang="da")).

Usage

Setup

pip install transformers==4.57.6 torch soundfile librosa

Note: this model uses native CohereAsr/Whisper classes from transformers 4.57.6. It is not compatible with transformers ≥5.0.

import torch, numpy as np, soundfile as sf
from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq

processor = AutoProcessor.from_pretrained("syvai/hviske-v5.1", trust_remote_code=True)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    "syvai/hviske-v5.1", trust_remote_code=True, dtype=torch.bfloat16
).to("cuda").eval()

audio, sr = sf.read("your_audio.wav")
audio = np.asarray(audio, dtype=np.float32)

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

Audio > 35 s is automatically chunked. Input is resampled to 16 kHz internally.

Run with vLLM (OpenAI-compatible API)

vLLM can serve the model behind an OpenAI-compatible /v1/audio/transcriptions endpoint — convenient for high-throughput batch transcription and remote serving.

Install

pip install "vllm==0.19.0"
pip install "vllm[audio]" librosa   # audio deps are required for transcription

Start the server

vllm serve syvai/hviske-v5.1 --trust-remote-code --host 0.0.0.0 --port 8000

--trust-remote-code is required — the model ships custom code. The runner (transcription) is auto-detected; no --task flag is needed.

Transcribe — curl

curl -s http://localhost:8000/v1/audio/transcriptions \
  -F "file=@your_audio.wav" \
  -F "model=syvai/hviske-v5.1" \
  -F "language=da" \
  -F "temperature=0"

Transcribe — Python (openai client)

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

with open("your_audio.wav", "rb") as f:
    resp = client.audio.transcriptions.create(
        model="syvai/hviske-v5.1",
        file=f,
        language="da",
        temperature=0,
    )
print(resp.text)

Notes

  • language="da" + temperature=0 gives the most accurate, deterministic output.
  • response_format supports json (default) and text. verbose_json is not supported and returns a 400.
  • Accepts common audio formats (wav, mp3, flac, ogg); audio is resampled to 16 kHz internally.

Training details

  • Architecture: 2.06B-parameter Conformer encoder-decoder, full fine-tune
  • Data: syvai/danish-asr-unified pre-shuffled into 200 shards (3.41M rows) with voxpopuli, ftspeech, coral_read_aloud, coral_conversation, nst_da, nota, cv17 sources
  • Epochs: 1
  • Batch: 16 micro × 8 grad-accum = 128 effective batch
  • Optimizer: bnb AdamW8bit, LR 5e-5 peak, 500-step warmup, cosine decay
  • Augmentation: SpecAugment (2 freq × 27 bins, 2 time × 100 frames)
  • Max audio: 31 s (recovers 86% of VoxPopuli long-audio samples)
  • Precision: bf16 on NVIDIA RTX PRO 6000 Blackwell Max-Q
  • Wall time: ~47 h

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 · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
CohereAsrForConditionalGeneration
Ревизия весов
86312ac

0 моделей