/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
14 сен 2026

whisper-small-danish

Распознавание речиАудио → текст6 профессий

Дообученная версия Whisper Small для транскрибирования датской речи.

154скачиваний за 30 дней1лайквеса 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-small-danish — дообученная на датском языке модель распознавания речи на базе Whisper Small. Она сохраняет исходные архитектуру Whisper и токенизатор; опубликованы веса экспоненциального скользящего среднего после 200 000 шагов обучения. Обучение использовало около 13 411 часов уникальной датской аудиозаписи, включая псевдоразмеченные данные и датские части CoRal v3, Common Voice 26.0, FLEURS, FTSpeech и NST.

Модель предназначена для транскрибирования датской речи, в том числе разговорной и чтения вслух. В оценке по протоколу датского ASR-лидера WER составил 24,01% на CoRal conversation, 14,16% на CoRal read-aloud и 9,53% на Common Voice cv17_da. Модель распространяется по лицензии MIT.

Качество после дообучения на языках, отличных от датского, не проверялось. Поведение на длинных записях отдельно не обучалось и требует проверки; тишина, шум и незнакомые имена могут приводить к ошибкам распознавания.

Сценарии применения

  • транскрибирование разговоров на датском языке
  • распознавание датской речи в аудиозаписях
  • расшифровка датской речи, прочитанной вслух
  • создание датских субтитров из аудио

Ограничения

Качество на языках, отличных от датского, после дообучения не проверялось; длинные записи отдельно не обучались. Тишина, шум и незнакомые имена могут вызывать ошибки распознавания.

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-small-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 .......... SMALL                                          │█▓▒░
  ░▒▓█│  LANGUAGE ......... DANISH                                         │█▓▒░
  ░▒▓█│  STATUS ........... SOTA-ish                                       │█▓▒░
  ░▒▓█│  LAYERS ........... 12 ENCODER / 12 DECODER                        │█▓▒░
  ░▒▓█│  MODEL WIDTH ...... 768                                            │█▓▒░
  ░▒▓█│  AUDIO INPUT ...... 16 kHz MONO / 80 MEL BINS                      │█▓▒░
  ░▒▓█│  TRAIN WINDOW ..... 30 SECONDS                                     │█▓▒░
  ░▒▓█│  VOCABULARY ....... 51,865 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            │█▓▒░
  ░▒▓█│                                                                    │█▓▒░
  ░▒▓█╚════════════════════════════════════════════════════════════════════╝█▓▒░
     ░░▒▒▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▒▒░░

A Danish fine-tune of Whisper Small. The architecture and tokenizer are unchanged. The released weights are the exponential moving average after 200,000 optimizer steps.

01 / USAGE

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

model_id = "thorhojhus/whisper-small-danish"
device = "cuda:0" if torch.cuda.is_available() else "cpu"
dtype = torch.float16 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 was started from stock Whisper Small. Filtered pseudo-labelled Danish speech was combined with the Danish portions of CoRal v3, Common Voice 26.0, FLEURS, FTSpeech and NST. Pseudo-labels were generated with whisper-large-v3-turbo-danish. The retained pool contained approximately 13,411 unique audio hours. Labels were filtered by confidence, no-speech probability, hallucination rules and a Danish/English vocabulary check.

Pseudo-labelled speech accounted for 100% of the sampling weight through step 50,000, 80% through step 140,000 and 70% thereafter. Human-labelled sources made up the remainder. Targets retained their casing, punctuation and numeral style; normalization was applied only for scoring.

The use of weak supervision and no-speech examples was inspired by the original Whisper paper. Waveform augmentation, SpecAugment and synthetic no-speech examples were included.

SettingValue
Steps200,000
OptimizerMuon for hidden matrices; AdamW for remaining parameters
Peak learning rateMuon 5e-5; AdamW 2.5e-5
Weight decay0.01
Schedule1,000-step warmup, stable to 50,000, linear decay to 10% at 200,000
EMAPer-step decay 0.9999, applied every 50 steps
PrecisionBF16 parameters with compensated updates; FP32 EMA
Maximum training segment30 seconds
Training hardwareOne NVIDIA GeForce RTX 4090
Logged active training timeApproximately 55.7 hours, excluding validation, checkpoint I/O and pauses

The following figures are cumulative audio sampled on the final training trajectory, including repeated passes. They are not unique dataset durations.

SourceHours seen
CoRal conversation1,151.29
CoRal read-aloud2,584.61
Common Voice Danish139.94
FLEURS Danish140.21
FTSpeech4,182.40
NST Danish1,938.15
Pseudo-labelled data44,344.90
Total54,481.50

Additional settings and provenance are recorded in training_recipe.json.

03 / EVALUATION

The checkpoint was evaluated using the public Danish ASR Leaderboard protocol with Transformers FP16 greedy Danish transcription. Standard decoding was used for short clips; timestamped sequential decoding was used above 30 seconds. Scoring included the leaderboard's Danish numeral normalization and did not remove filler words.

Test setSamplesWER (%)CER (%)
CoRal conversation8,43824.0115.02
CoRal read-aloud9,12214.165.73
Common Voice (cv17_da)2,7569.533.65
FLEURS da_dk9309.943.94
FTSpeech test_balanced5,5349.225.29
Unweighted domain mean26,78013.376.73

04 / LIMITATIONS

  • Performance outside Danish has not been validated after fine-tuning.
  • Long-form behavior was not directly trained and should be checked for the intended use.
  • Silence, noise and unfamiliar names can still produce incorrect text.

05 / LICENSE

The model weights are released under the MIT License. Training data are not redistributed and remain subject to their source terms. Attribution and the upstream Whisper notice are included in 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
5738a59

0 моделей