/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
whisper · dense
Библиотека
transformers
Опубликована
26 сен 2026

whisper-small-tibetan

Распознавание речиАудио → текст3 профессии

Дообученная Whisper-small для черновой расшифровки речи на лхасском тибетском языке.

249скачиваний за 30 дней1лайквеса обновлены30 сен 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 tenzin/whisper-small-tibetan — дообученная версия Whisper-small от OpenAI, созданная для распознавания речи на центральном тибетском языке, прежде всего на диалекте Лхаса. Она принимает аудио и генерирует текстовую расшифровку; обучена на объединённом корпусе примерно из 231 тысячи примеров и 267 часов чтения новостей и естественной речи. В тесте на отложенных дикторах показала CER 11,67% и послоговую ошибку 16,84%; оценка основана на срезе из 300 примеров.

Модель подходит для черновой расшифровки и общего понимания записей на лхасском тибетском. Она слабее работает с диалектами Амдо и Кхам, а также с разговорной речью, отличающейся от обучающих данных. Whisper обрабатывает фрагменты длительностью до 30 секунд, поэтому более длинное аудио нужно предварительно разбивать на части. Для модели заявлено частное, любительское и исследовательское применение; лицензия CC BY-NC-SA 4.0, обусловленная в том числе обучающими данными, ограничивает коммерческое использование.

Сценарии применения

  • черновая расшифровка записей на лхасском тибетском
  • транскрибирование тибетских новостей и чтения вслух
  • получение общего содержания тибетских лекций и подкастов
  • подготовка текстовых черновиков для последующей проверки

Ограничения

Слабее работает на диалектах Амдо и Кхам и на разговорной речи вне обучающих доменов; длинное аудио нужно разбивать на фрагменты до 30 секунд. Точность оценена на срезе из 300 примеров и подходит для черновых расшифровок, а коммерческое использование ограничено лицензией CC BY-NC-SA 4.0.

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

whisper-small-tibetan

Fine-tuned openai/whisper-small for Lhasa-Tibetan (Central Tibetan) speech recognition.

What this is

A full fine-tune of Whisper-small on a merged corpus of four Lhasa-Tibetan speech sources (read news + natural/spontaneous speech). Zero-shot Whisper is near-useless on Tibetan (>100% WER, heavy hallucination); this fine-tune recovers usable transcription across both read and natural speech domains.

Results

MetricValue
CER11.67% (beam-5, 300-sample held-out speaker test slice)
syllable-WER16.84%

Measured on a speaker-disjoint test slice drawn from the merged corpus (speakers the model never saw). Note this is a 300-sample slice, not the full 25,773-clip test split — the full number may differ by ~1–2 points. The test set is mixed-domain (read news + natural speech), which is intrinsically harder than the read-news-only set used in prior stages; the 11.67% is therefore a stronger result than a direct numeric comparison suggests. CER (character error rate) is the primary metric: Tibetan is written without word-internal spaces, so WER is near-meaningless; the reported WER is syllable-based (segmented on the tsheg ་).

Training progression:

ModelTest CER
Zero-shot whisper-small>100% WER (hallucination)
NICT-Tib1 only (20 spk, 33.5 h)22.21% (3-speaker test)
Combined (71 spk, 65 h), stage-114.01%
Combined + stage-2 (half LR)13.62%
4-corpora merge (359 spk, ~267 h), 3 epochs11.67%

Training data

Four corpora merged and orthographically normalized (one normalize_text() applied in both prep and metrics):

  • NICT-Tib1 — 33.5 h Lhasa-Tibetan read speech, CC BY 4.0, 20 speakers.
  • XBMU-Lhasa31 — 31.6 h Lhasa-Tibetan read speech, CC BY-NC-SA 4.0, 51 speakers.
  • OpenPecha — ~148k examples of natural/spontaneous speech (teachings, podcasts).
  • TIBMD Ü-Tsang — ~41k examples, Central Tibetan (Ü-Tsang) region.

Merged: ~231k examples / ~267 h, speaker-disjoint split — train 185,184 / validation 19,844 / test 25,773 (359 / 77 / 77 speakers).

Intended uses & limitations

  • Private / hobby / research use only. The XBMU-Lhasa31 component is CC BY-NC-SA 4.0 (non-commercial), which constrains the resulting model's training data to non-commercial use.
  • Lhasa / Central Tibetan focus. Expect degradation on other Tibetan dialects (Amdo, Khams) and on highly colloquial speech outside the corpus domains.
  • 30-second chunk limit. Whisper processes ≤30 s per chunk. Longer audio must be split (VAD or fixed chunking) before transcription.
  • Not production-grade. At ~11.7% CER this is good for rough transcription / gisting, not authoritative text generation.

Usage

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch

processor = WhisperProcessor.from_pretrained("tenzin/whisper-small-tibetan")
model = WhisperForConditionalGeneration.from_pretrained("tenzin/whisper-small-tibetan")

# audio: 16 kHz mono waveform
inputs = processor(audio, sampling_rate=16000, return_tensors="pt").input_features
forced = processor.tokenizer.get_decoder_prompt_ids(language="bo", task="transcribe")
with torch.no_grad():
    ids = model.generate(inputs, forced_decoder_ids=forced, num_beams=5, max_new_tokens=444)
text = processor.tokenizer.batch_decode(ids, skip_special_tokens=True)[0]

Note max_new_tokens=444 (not 448) — Whisper's 4 prompt tokens count against the 448 position limit.

For faster inference, a CTranslate2 (faster-whisper) conversion is recommended — see tenzin/whisper-small-tibetan-ct2 (when published) for a ~4× speedup.

Training procedure

Full fine-tune (not LoRA — PEFT is incompatible with Whisper's input_features encoder input).

HyperparameterValue
Base modelopenai/whisper-small (244M)
Precisionbf16
Learning rate1e-5 (warmup peak)
Effective batch16 (16 × grad-accum 1)
Epochs3
Warmup300 steps
Label length filter≤448 tokens
Decodebeam-5, forced Tibetan (language=bo)
Gradient checkpointingoff

Trained on a RunPod RTX PRO 6000 Blackwell (96 GB VRAM, CUDA 13.2, torch 2.8.0+cu132).

License

Training data includes CC BY-NC-SA 4.0 material (XBMU-Lhasa31), so the model's training data is non-commercial. This model is intended for private / non-commercial use.

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
f1cc67e

0 моделей