/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
whisper · dense
Библиотека
transformers
Опубликована
15 июл 2026

whisper-small-santali-sanlish

Распознавание речиАудио → текст3 профессии

Модель на базе Whisper Small распознаёт речь на сантали и выводит транскрипцию в авторской латинской системе Sanlish для дальнейшей обработки и перевода.

8скачиваний за 30 дней0лайковвеса обновлены15 июл 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

Whisper Small — Santali ASR — это модель thunderboltc, дообученная на базе openai/whisper-small для распознавания речи на языке сантали. Она преобразует аудио в текст на Sanlish — разработанной автором карточки латинской транслитерации сантали, предназначенной для последующего машинного перевода на бенгальский язык. Модель использует архитектуру Whisper Encoder-Decoder Transformer и содержит около 242 млн параметров.

Для дообучения использованы 502 аудиозаписи с транскрипциями Sanlish. На тестовой выборке из 51 записи указаны WER 56,55% и CER 13,31%. Модель рассчитана на низкоресурсное распознавание сантали и не предназначена для распознавания других языков или вывода стандартным письмом ол-чики. Небольшой обучающий набор ограничивает перенос на незнакомых дикторов и условия записи; вариативность написания Sanlish также влияет на WER. Лицензия модели — MIT.

Сценарии применения

  • транскрибация речи на сантали в Sanlish
  • подготовка транскрипций сантали для машинного перевода на бенгальский
  • распознавание низкоресурсной речи на сантали в исследовательских проектах

Ограничения

Обучена всего на 502 записях, поэтому может хуже работать на незнакомых дикторах и в отличающихся условиях записи. Выводит авторскую транслитерацию Sanlish, а не стандартное письмо ол-чики; вариативность написания влияет на WER.

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 — Santali ASR (Custom Transliteration / Sanlish)

Fine-tuned version of openai/whisper-small for Automatic Speech Recognition (ASR) of the Santali language, using a custom Roman-script transliteration scheme called Sanlish.

This model is part of a thesis research pipeline for low-resource Santali speech processing, targeting the task of Santali Speech → Sanlish Transcription → Bangla Translation.


Model Details

Model Description

  • Developed by: thunderboltc
  • Model type: Whisper Small (Encoder-Decoder Transformer, Seq2Seq)
  • Language: Santali (sat) — transcribed in custom Roman transliteration (Sanlish)
  • Base model: openai/whisper-small
  • Parameters: 241,734,912 (~242M)
  • Fine-tuned for: Low-resource ASR — Santali speech to Sanlish text
  • License: MIT

What is Sanlish?

Sanlish is a custom Roman-script transliteration of Santali designed to bridge the gap between Santali phonetics and Latin-alphabet-based ASR systems. It was developed as part of this thesis to serve as an intermediate representation between Santali audio and Bangla translation.


Training Details

Training Data

  • Dataset: 502 Santali audio recordings with parallel Sanlish transliteration annotations
  • Collected by: thunderboltc (thesis dataset, not yet publicly released)
  • Split:
SplitSizePercentage
Train40180%
Validation5010%
Test5110%
  • Audio format: WAV, 16kHz mono
  • Text target: Custom Roman transliteration (Sanlish)

Training Procedure

Preprocessing

  • Audio resampled to 16,000 Hz
  • Log-mel spectrogram features extracted using WhisperFeatureExtractor (80 mel bins, 3000 frames)
  • Text tokenized using WhisperTokenizer with language=english, task=transcribe
  • forced_decoder_ids and suppress_tokens disabled to allow custom vocabulary transcription

Training Hyperparameters

ParameterValue
Epochs25
Learning Rate1e-5
Batch Size (per device)8
Gradient Accumulation Steps2 (effective batch = 16)
Warmup Steps50
Precisionfp16 mixed precision
Evaluation StrategyPer epoch
Best Model SelectionLowest validation WER
HardwareNVIDIA Tesla T4 (Google Colab)
Training Duration~73 minutes

Best Checkpoint

Epoch 13 was selected as the best checkpoint based on lowest validation WER (53.41%).


Evaluation

Results on Test Set (51 utterances)

MetricValue
Word Error Rate (WER)56.55%
Character Error Rate (CER)13.31%

These results are consistent with expectations for a low-resource ASR system trained on ~400 utterances. The large gap between WER and CER reflects that the model captures phonetic character structure well, even when full word sequences deviate from the reference.

Sample Predictions

ReferencePrediction
onde alom chala aonde alom chala a ✓
tehindo adi raashkaien yaikaodatehindo adi reskaien yaikaoda
gapa shetah ale saote baskiyago mehgapa setah ale saote baskiyago meh
shetay bhuh dashetay bhuheda

How to Get Started

import torch
from transformers import WhisperProcessor, WhisperForConditionalGeneration
import librosa

# Load model and processor
processor = WhisperProcessor.from_pretrained("thunderboltc/whisper-small-santali-sanlish")
model = WhisperForConditionalGeneration.from_pretrained("thunderboltc/whisper-small-santali-sanlish")

# Load audio (must be 16kHz)
audio, sr = librosa.load("your_santali_audio.wav", sr=16000)

# Preprocess
inputs = processor.feature_extractor(audio, sampling_rate=16000, return_tensors="pt")

# Generate transcription
with torch.no_grad():
    predicted_ids = model.generate(inputs.input_features)

# Decode
transcription = processor.tokenizer.batch_decode(predicted_ids, skip_special_tokens=True)
print("Sanlish transcription:", transcription[0])

Intended Use

Direct Use

Transcribing Santali speech into Sanlish (custom Roman transliteration) for downstream NLP tasks.

Downstream Use

This model is designed to feed into a Machine Translation (MT) model (NLLB-200) for end-to-end Santali Speech → Bangla Text translation.

Out-of-Scope Use

  • Not suitable for general-purpose ASR in other languages
  • Not recommended for standard Santali Ol Chiki script transcription
  • Performance may degrade on speaker accents or recording conditions not represented in the 502-utterance training set

Limitations & Bias

  • Trained on only 502 utterances — a very small dataset by ASR standards
  • May not generalize well to unseen speakers or recording environments
  • Sanlish transliteration scheme has inherent inconsistencies (word boundary variation, hyphenation) which inflate WER beyond true phonetic error rate
  • No speaker diversity information available for the training set

Citation

If you use this model in your research, please cite:

@misc{thunderboltc2025whisper-santali,
  author = {thunderboltc},
  title = {Whisper Small Fine-tuned on Santali Custom Transliteration (Sanlish)},
  year = {2025},
  publisher = {Hugging Face},
  url = {https://huggingface.co/thunderboltc/whisper-small-santali-sanlish}
}

Environmental Impact

  • Hardware: NVIDIA Tesla T4
  • Cloud Provider: Google Colab
  • Hours used: ~1.25 hours
  • Carbon emissions: Estimated using the ML Impact Calculator

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
2ecbaa3

0 моделей