/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
CC BY-SA 4.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
21 июн 2026

whisper-small-waxal-round2-specaug-v1

Распознавание речиАудио → текст

Экспериментальная версия Whisper Small для транскрибирования речи на аканском языке и тви, обученная на WaxalNLP.

7скачиваний за 30 дней0лайковвеса обновлены21 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

Это экспериментальная модель автоматического распознавания речи Whisper Small Waxal Akan Round 2, созданная Teckedd дообучением openai/whisper-small на наборе google/WaxalNLP. Она предназначена для транскрибирования аудио на аканском языке, включая вариант тви, а также для оценки и тестирования распознавания речи на данных WaxalNLP. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров; принимает аудио и выдаёт текст. Обучение включало SpecAugment.

На тестовом наборе из 1 522 записей модель показала WER 32,84% и CER 11,79%, улучшив результаты предыдущего чекпойнта продолжения обучения. Чекпойнт выбран на шаге обучения 1 200 и не прошёл все критерии допуска к промышленному использованию. Возможны циклы повторения слов; сложными остаются орфография и диалектные варианты аканского, переключение языков, имена и шумные записи. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • транскрибирование записей на аканском языке
  • распознавание речи на тви
  • оценка качества ASR для аканской речи на WaxalNLP
  • сравнение чекпойнтов распознавания аканской речи

Ограничения

На тесте WER составил 32,84%; выявлен случай повторения одного слова 62 раза, а один тестовый диктор показал ухудшение относительно предыдущего чекпойнта. Модель может ошибаться на вариантах орфографии и диалекта, переключении языков, именах и шумных записях; не следует использовать её как единственное основание для медицинских, экстренных, юридических или финансовых решений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper Small Waxal Akan Round 2

Experimental Akan/Twi speech-recognition checkpoint selected at training step 1,200. This model is published for evaluation and community testing; it did not pass every production-promotion gate.

Results

All models below were decoded in one fixed job on all 1,522 rows of google/WaxalNLP, configuration aka_asr, published test split. Decoding used beam size 1, task transcribe, maximum generation length 225, and no forced language token.

ModelWERCER
Original Waxal fine-tune34.32%12.23%
Published continuation v133.66%12.10%
Round 2 checkpoint 1,20032.84%11.79%

Against teckedd/whisper-small-waxal-akan-continuation-v1, the paired 5,000-sample bootstrap candidate-minus-baseline WER interval was -1.39 to -0.06 percentage points, with 98.36% probability of improvement. Round 2 produced 677 better rows, 316 ties, and 529 worse rows.

Training Data and Split

Only google/WaxalNLP/aka_asr was used. The dataset revisions, row IDs, speakers, normalized transcripts, and decoded-audio hashes were frozen before training.

  • train: 9,133 rows / 83 speakers
  • development: 2,091 rows / 18 speakers
  • immutable test: 1,522 rows / 33 speakers
  • zero speaker, normalized-transcript, sample-ID, or decoded-audio overlap between partitions
  • one train clip outside the 0.4–30 second window removed
  • three within-train duplicate clips and one within-development duplicate removed
  • one train clip duplicated in development quarantined from train

Audio was decoded as mono float32 at 16 kHz. Text was normalized with Unicode NFC, lowercasing, whitespace collapse, and punctuation removal while preserving Akan letters such as ɛ and ɔ. Training used Whisper log-mel features and training-only SpecAugment.

Training Configuration

  • base: openai/whisper-small
  • full-model fine-tuning, FP16
  • effective batch size: 32
  • learning rate: 1e-5
  • warmup: 200 steps
  • maximum: 2,000 steps
  • evaluation/save interval: 200 steps
  • selected by unseen-speaker development WER
  • selected checkpoint: step 1,200, development WER 32.14%
  • training tokenizer prefix: Yoruba proxy, task transcribe
  • evaluation: no forced language token

Usage

import torch
from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="teckedd/whisper-small-waxal-round2-specaug-v1",
    device=0 if torch.cuda.is_available() else -1,
    torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32,
)
asr.model.config.forced_decoder_ids = None
asr.model.generation_config.forced_decoder_ids = None
asr.model.generation_config.language = None
asr.model.generation_config.task = "transcribe"

print(asr("audio.wav", generate_kwargs={"task": "transcribe"})["text"])

Limitations

  • One immutable-test output entered a severe repetition loop, repeating ayɛ 62 times.
  • Test speaker 4430 regressed from 43.24% to 49.69% WER relative to the continuation checkpoint.
  • The model missed the preregistered target of WER below 30.86%.
  • Akan spelling, dialect variation, code-switching, names, and noisy recordings remain difficult.
  • Do not use this model as the sole basis for medical, emergency, legal, or financial decisions.

The full experiment specification, preprocessing audit, paired evaluation, and failed promotion decision are documented in the Akan Speech Lab.

License

Released under CC BY-SA 4.0 as a conservative choice reflecting the licenses listed for WaxalNLP. Users must review and satisfy the source dataset's attribution and share-alike requirements.

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
d2e2489

0 моделей