/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
whisper-small
Опубликована
16 июл 2026

whisper-small-aesrc-indian-english

Распознавание речиАудио → текст

Дообученная Whisper Small для транскрибирования английской речи с индийским акцентом.

23скачиваний за 30 дней1лайквеса обновлены30 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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 theshivam7/whisper-small-aesrc-indian-english разработана автором карточки на основе openai/whisper-small (244 млн параметров), полностью дообученной для распознавания английской речи с индийским акцентом. Она предназначена для транскрибирования коротких аудиозаписей; карточка приводит пример использования через pipeline automatic-speech-recognition в Transformers с обработкой фрагментами по 30 секунд.

Дообучение проведено на 12 820 аудиофрагментах общей длительностью 17,5 часа из подмножества AESRC2020 с индийским акцентом. На тесте из 1 731 записи, где говорящие не пересекались с обучающей выборкой, модель показала WER 5,64% по нормализатору бенчмарка против 7,22% у базовой Whisper Small. Модель принимает аудио и выдаёт текст; в метаданных указан английский язык. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Оценка относится к короткой подготовленной речи со средним временем записи 4,5 секунды; поведение на длинной и спонтанной речи не проверялось. Это один обучающий запуск, а в карточке также отмечено, что лицензия исходных аудио и транскриптов не указана и условия их использования следует проверить отдельно.

Сценарии применения

  • Транскрибирование коротких записей на английском с индийским акцентом
  • Распознавание подготовленной английской речи в аудиоклипах
  • Оценка качества ASR на тестовых наборах с индийским английским

Ограничения

Оценивалась на короткой подготовленной речи; качество на длинных записях и спонтанной речи не проверялось. Это одиночный обучающий запуск, а условия лицензирования исходных аудио и транскриптов требуют отдельной проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper Small fine-tuned on Indian-accented English (AESRC2020)

openai/whisper-small (244M parameters) fully fine-tuned on the Indian-accent subset of the AESRC2020 corpus (Accented English Speech Recognition Challenge 2020; Shi et al., ICASSP 2021), via the pengyizhou/accented_english mirror. Part of the indian-asr-bench benchmark's fine-tuning capacity study across Whisper sizes.

The evaluation setup is unusually clean for a fine-tuning claim: the test split's 481 speakers are fully disjoint from the 38 training speakers (zero overlap), so the measured improvement is generalization to unseen speakers, not speaker memorization.

Results

Corpus WER on the 1,731-clip Indian-accent test split. The baseline is the pretrained openai/whisper-small decoded through the identical HuggingFace chunked pipeline, so the delta isolates fine-tuning from any decoding or engine difference.

MetricPretrained baselineThis modelDelta
WER, benchmark gold normalizer7.22%5.64%-1.58 pp
WER, OpenAI Whisper normalizer6.91%5.36%

Paired speaker-clustered bootstrap (2,000 resamples over 481 speakers): delta -1.58 pp, 95% CI [-2.01, -1.15], Holm-corrected p = 0.003.

The gain is statistically significant after Holm correction across the three-size family, about a 22% relative WER reduction.

Seed replication

This is a single training run. To check that its gain is not a lucky draw, the identical recipe was retrained from 6 seeds (42-47) and scored on the same speaker-disjoint test set:

Δ WER vs. pretrained
This checkpoint (1 seed)-1.58 pp
6-seed mean-1.65 pp (SD 0.15)
6-seed range-1.84 to -1.42 pp

All six improve on the pretrained baseline and the range never approaches zero. This checkpoint's run sits close to the 6-seed mean, so it is representative.

The six checkpoints are published at theshivam7/whisper-small-aesrc-indian-english-seeds, and the per-run numbers are in finetune_seeds_transcript_clean_per_seed.csv.

Training

  • Data: pengyizhou/accented_english, rows with accent == "INDIAN", train split: 12,820 clips, 17.5 hours, 38 speakers (dataset revision pinned to 4a80d8388f06368a0fa2a325770bec3492cabd3d).
  • Recipe: full fine-tune, 2,000 steps, effective batch 32 (batch 8 x grad-accum 4), lr 1e-5 with 100 warmup steps, fp16, seed 42, on one NVIDIA A100-40GB.
  • Checkpoint selection: best validation WER (OpenAI's EnglishTextNormalizer), evaluated every 200 steps.
  • Training script: finetune/finetune_tiny_small.py.

Limitations

  • The validation split used for checkpoint selection shares all 38 speakers with the training split, so selection measures fit, not speaker generalization. The speaker-disjoint test split was never touched during training.
  • Single training run; no seed replication, so run-to-run variance is unbounded.
  • The upstream mirror states no license for the audio and transcripts. AESRC2020 is Datatang's corpus; check the data-use terms before commercial or publication use of anything derived from the training data.
  • Trained and evaluated on short (mean 4.5 s) prompted read speech. Behavior on long-form or spontaneous audio is untested here.

Usage

from transformers import pipeline

asr = pipeline("automatic-speech-recognition",
               model="theshivam7/whisper-small-aesrc-indian-english",
               chunk_length_s=30)
print(asr("audio.wav")["text"])

Benchmark context

The full study evaluates nine pretrained ASR systems and six fine-tuned Whisper checkpoints on three Indian-English corpora, with speaker-clustered statistics and a reference-artifact audit. Code, raw transcripts, and every number behind this card: github.com/theshivam7/indian-asr-bench.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
b717ca7

0 моделей