/ Модель

Характеристики

Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
6 сен 2026

whisper-large-v3-turbo-danish

Распознавание речиАудио → текст6 профессий

Дообученная на датской речи модель Whisper для автоматической транскрипции разговорной и зачитанной речи.

929скачиваний за 30 дней6лайковвеса обновлены18 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

thorhojhus/whisper-large-v3-turbo-danish — датская версия Whisper-large-v3-turbo, дообученная разработчиком на датской речи. Модель использует архитектуру Whisper и неизменённый токенизатор базовой модели; опубликованные веса представляют собой экспоненциальное скользящее среднее после 200 000 шагов обучения. Для обучения использовались датские данные CoRal v3, Common Voice 26.0, FLEURS, FTSpeech и NST, а также отфильтрованные псевдоразметки.

Модель предназначена для автоматической транскрипции датской речи, включая разговорную и зачитанную речь. В оценке на публичном протоколе датского ASR-лидерборда показатель WER составил 20,05% на разговорных данных CoRal, 12,93% на зачитанных данных CoRal и 8,24% на Common Voice cv17_da. Для аудио длиннее 30 секунд оценивалось последовательное декодирование с временными метками, однако длинные записи непосредственно при обучении не использовались.

Модель опубликована в формате safetensors для Transformers под лицензией MIT. Качество распознавания на языках, отличных от датского, может быть ниже; поведение на длинных записях следует проверять отдельно.

Сценарии применения

  • транскрибация датских разговоров
  • распознавание датской речи в аудиозаписях
  • создание субтитров на датском языке
  • перевод датской речи в текст для последующей обработки

Ограничения

Качество распознавания на языках, отличных от датского, может быть ниже. Длинные записи непосредственно не использовались при обучении, поэтому такое применение следует проверять отдельно.

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

whisper-large-v3-turbo-danish

  ░▒▓█╔════════════════════════════════════════════════════════════════════╗█▓▒░
  ░▒▓█│                                                                    │█▓▒░
  ░▒▓█│       ██╗    ██╗██╗  ██╗██╗███████╗██████╗ ███████╗██████╗         │█▓▒░
  ░▒▓█│       ██║    ██║██║  ██║██║██╔════╝██╔══██╗██╔════╝██╔══██╗        │█▓▒░
  ░▒▓█│       ██║ █╗ ██║███████║██║███████╗██████╔╝█████╗  ██████╔╝        │█▓▒░
  ░▒▓█│       ██║███╗██║██╔══██║██║╚════██║██╔═══╝ ██╔══╝  ██╔══██╗        │█▓▒░
  ░▒▓█│       ╚███╔███╔╝██║  ██║██║███████║██║     ███████╗██║  ██║        │█▓▒░
  ░▒▓█│        ╚══╝╚══╝ ╚═╝  ╚═╝╚═╝╚══════╝╚═╝     ╚══════╝╚═╝  ╚═╝        │█▓▒░
  ░▒▓█│                                                                    │█▓▒░
  ░▒▓█│             ░░▒▒▓▓  D A N I S H   S P E E C H  ▓▓▒▒░░              │█▓▒░
  ░▒▓█│                                                                    │█▓▒░
  ░▒▓█├────────────────────────────────────────────────────────────────────┤█▓▒░
  ░▒▓█│  R E L E A S E   I N F O                      [ MODEL / WEIGHTS ]  │█▓▒░
  ░▒▓█├────────────────────────────────────────────────────────────────────┤█▓▒░
  ░▒▓█│                                                                    │█▓▒░
  ░▒▓█│  EDITION .......... LARGE-V3-TURBO                                 │█▓▒░
  ░▒▓█│  LANGUAGE ......... DANISH                                         │█▓▒░
  ░▒▓█│  STATUS ........... SOTA-ish                                       │█▓▒░
  ░▒▓█│  LAYERS ........... 32 ENCODER / 4 DECODER                         │█▓▒░
  ░▒▓█│  MODEL WIDTH ...... 1280                                           │█▓▒░
  ░▒▓█│  AUDIO INPUT ...... 16 kHz MONO / 128 MEL BINS                     │█▓▒░
  ░▒▓█│  TRAIN WINDOW ..... 30 SECONDS                                     │█▓▒░
  ░▒▓█│  VOCABULARY ....... 51,866 TOKENS                                  │█▓▒░
  ░▒▓█│  OPTIMIZER ........ MUON + ADAMW                                   │█▓▒░
  ░▒▓█│  TRAINING ......... 200,000 OPTIMIZER STEPS                        │█▓▒░
  ░▒▓█│  TRAINED ON ....... NVIDIA GEFORCE RTX 4090                        │█▓▒░
  ░▒▓█│                                                                    │█▓▒░
  ░▒▓█├────────────────────────────────────────────────────────────────────┤█▓▒░
  ░▒▓█│             01 USAGE  /  02 TRAINING  /  03 EVALUATION             │█▓▒░
  ░▒▓█│            04 LIMITATIONS  /  05 LICENSE  /  06 CREDITS            │█▓▒░
  ░▒▓█│                                                                    │█▓▒░
  ░▒▓█╚════════════════════════════════════════════════════════════════════╝█▓▒░
     ░░▒▒▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▒▒░░

This is a Danish continuation of openai/whisper-large-v3-turbo. The architecture and tokenizer are unchanged. The released weights are an exponential moving average taken after 200,000 optimizer steps.

01 / USAGE

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

model_id = "thorh/whisper-large-v3-turbo-danish"
device = "cuda:0" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16 if torch.cuda.is_available() else torch.float32

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id,
    dtype=dtype,
    low_cpu_mem_usage=True,
).to(device)

transcribe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    dtype=dtype,
    device=device,
)

result = transcribe(
    "audio.wav",
    generate_kwargs={"language": "da", "task": "transcribe", "num_beams": 1},
)
print(result["text"])

02 / TRAINING

Training used the Danish portions of CoRal v3, Common Voice 26.0, FLEURS, FTSpeech and NST together with filtered pseudo-labelled data. The pseudo-labels were generated with openai/whisper-large-v3 and confidence-filtered before use.

Targets retained their original casing, punctuation and numeral style. Audio augmentation, SpecAugment and synthetic no-speech examples were included. The data design was inspired by the weak-supervision and no-speech principles in the original Whisper paper.

SettingValue
Steps200,000
OptimizerMuon for hidden matrices; AdamW for remaining parameters
Peak learning rateMuon 5e-6; AdamW 2.5e-6
Weight decay0.01
Schedule1,000-step warmup, stable to 50,000, linear decay to 10% at 200,000
EMA0.9999 per step
PrecisionBF16 parameters, FP8 hidden forward GEMMs, compensated FP32 optimizer updates
Maximum training segment30 seconds
Training hardwareOne NVIDIA GeForce RTX 4090
Active wall timeApproximately 56 hours

The following figures are cumulative audio sampled during training. They include repeated sampling and are not unique dataset durations.

SourceHours seen
CoRal conversation485.45
CoRal read-aloud894.45
Common Voice Danish72.63
FLEURS Danish74.06
FTSpeech1,469.10
NST Danish712.01
Pseudo-labelled data9,200.04
Total12,907.73

Additional recipe details are recorded in training_recipe.json.

03 / EVALUATION

The checkpoint was evaluated against the public Danish ASR Leaderboard protocol using greedy Danish transcription. Short clips used standard decoding; clips over 30 seconds used timestamped sequential long-form decoding. The leaderboard normalizer was applied, including Danish numeral normalization.

Test setSamplesWER (%)CER (%)
CoRal conversation8,43820.0511.92
CoRal read-aloud9,12212.934.80
Common Voice (cv17_da)2,7568.242.65
FLEURS da_dk9308.953.65
FTSpeech test_balanced5,5347.394.19
Unweighted domain mean26,78011.515.44

Exact revisions and decoding settings are recorded in training_recipe.json.

04 / LIMITATIONS

  • Accuracy in languages other than Danish may be reduced.
  • Long-form behavior was not directly trained and should be validated separately.

05 / LICENSE

The model weights are released under the MIT License. Training data are not redistributed and remain subject to their source terms. See THIRD_PARTY_NOTICES.md.

06 / CREDITS

@article{radford2022robust,
  title={Robust Speech Recognition via Large-Scale Weak Supervision},
  author={Radford, Alec and Kim, Jong Wook and Xu, Tao and Brockman, Greg and McLeavey, Christine and Sutskever, Ilya},
  journal={arXiv preprint arXiv:2212.04356},
  year={2022}
}

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
297b4dd

0 моделей