/ Модель

Характеристики

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

whisper-tiny-aesrc-indian-english

Распознавание речиАудио → текст

Whisper Tiny, дообученная для транскрибации английской речи с индийским акцентом.

15скачиваний 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-tiny-aesrc-indian-english — полное дообучение Whisper Tiny от OpenAI для распознавания индийского варианта английской речи. Она преобразует аудио в текст и предназначена для транскрибации короткой речи с индийским акцентом. Базовая модель содержит 39 млн параметров; обучение проведено на индийской части корпуса AESRC2020 из зеркала pengyizhou/accented_english.

На тестовом наборе из 1 731 аудиофрагмента модель показала WER 12,64% с нормализатором бенчмарка и 9,83% с нормализатором OpenAI Whisper. Оценка проводилась на дикторах, не встречавшихся при обучении; в одном запуске улучшение относительно исходной Whisper Tiny составило 4,81 процентного пункта, но статистически значимым не было. Карточка сообщает, что в шести дополнительных запусках той же методики все модели улучшили базовый результат, однако этот репозиторий содержит один чекпойнт.

Обучение и оценка проводились на короткой подготовленной речи; качество на длинных записях и спонтанной речи не проверено. В README также отмечено, что для аудио и транскрипций зеркала не указана лицензия, поэтому условия использования данных следует проверить отдельно. Лицензия весов модели — Apache-2.0.

Сценарии применения

  • транскрибация коротких записей на английском с индийским акцентом
  • распознавание подготовленной речи индийских дикторов
  • сравнение качества ASR-моделей на индийском английском

Ограничения

Оценка проведена на короткой подготовленной речи; качество на длинных записях и спонтанной речи не проверено. Улучшение этого единственного чекпойнта над базовой моделью не было статистически значимым; условия использования обучающих аудио и транскрипций следует проверять отдельно.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

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

openai/whisper-tiny (39M 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-tiny 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 normalizer17.45%12.64%-4.81 pp
WER, OpenAI Whisper normalizer16.97%9.83%

Paired speaker-clustered bootstrap (2,000 resamples over 481 speakers): delta -4.81 pp, 95% CI [-12.30, +1.71], Holm-corrected p = 0.163.

The point estimate is the largest of the three sizes, but the confidence interval crosses zero, so the gain is not statistically significant. Tiny's per-clip WER is far noisier than the larger sizes (Std Dev about 103% for the baseline vs 12% for Medium), and that variance keeps the delta from resolving at 481 speaker clusters.

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)-4.81 pp
6-seed mean-6.85 pp (SD 1.03)
6-seed range-7.34 to -4.75 pp

All six improve on the pretrained baseline and the range never approaches zero. This checkpoint's run happened to be the least favourable of the six: its $-4.81$ pp is the weakest seed, while the other five cluster near $-7.3$ pp. A seed drawn at random would most likely do better than this one.

The six checkpoints are published at theshivam7/whisper-tiny-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-tiny-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
b4cf3da

0 моделей