/ Модель

Характеристики

Контекст
1 024 токена
Параметры
51,7 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-base
Библиотека
transformers
Опубликована
24 июл 2026

whisper-base-mt-commonvoice

Распознавание речиАудио → текст

Whisper Base, дообученная на Common Voice для распознавания мальтийской речи.

5скачиваний за 30 дней0лайковвеса обновлены24 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

Модель titaniumbones/whisper-base-mt-commonvoice — версия OpenAI Whisper Base, дообученная для автоматического распознавания речи на мальтийском языке. Это мультиязычная архитектура WhisperForConditionalGeneration с 51,7 млн параметров; модель принимает аудио и выдаёт текст. Она создана на базе openai/whisper-base с помощью Transformers и обучена на 3000 клипах Common Voice 26.0 длительностью около 3,77 часа от шести дикторов; для обучения использовался PyTorch MPS на Apple M3 Pro.

Модель предназначена для транскрибирования мальтийской речи, особенно записанной и похожей на обучающие клипы. На тестовой выборке из 300 клипов нормализованный WER составил 94,1% против 134,7% у исходной Whisper Base без дообучения. Это указывает на улучшение относительно базовой модели, но ошибки остаются частыми. Обучение на малом числе дикторов ограничивает обобщение на новые голоса и спонтанную речь; тестовая выборка также невелика.

Для использования нужны Transformers и указание языка maltese при распознавании. Весы модели распространяются по лицензии Apache-2.0; исходные аудиоданные Common Voice имеют лицензию CC0 и отдельно на этот Hub не загружены.

Сценарии применения

  • транскрибирование записанной речи на мальтийском
  • распознавание мальтийской речи в клипах Common Voice
  • сравнение дообученной модели с исходной Whisper Base для мальтийского

Ограничения

Нормализованный WER на тесте из 300 клипов составил 94,1%, поэтому качество распознавания ограничено. Обучение охватывает около 3,77 часа записанной речи от шести дикторов; на спонтанной речи и новых голосах качество может снижаться.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

openai/whisper-base fine-tuned on Common Voice 26.0 — Maltese

openai/whisper-base fine-tuned for Maltese (mt) automatic speech recognition on Mozilla Common Voice Scripted Speech 26.0, trained on a laptop (Apple M3 Pro, PyTorch MPS backend, fp32).

Results

ModelRaw WERNormalized WERTest clips
whisper-base fine-tuned105.7%94.1%300
whisper-base zero-shot107.6%134.7%300

Zero-shot Whisper barely functions on Maltese (≈1 h of it in the original training mix); the WER delta above is what a few hours of community-donated Common Voice speech and a laptop fine-tune buy. WER computed on the official Common Voice test split (speaker-disjoint from training data — note the training split draws on only 6 speakers, which limits generalization; see Limitations). "Normalized" applies BasicTextNormalizer (lowercase, strip punctuation) to both reference and hypothesis.

Data provenance

  • Source: Mozilla Common Voice Scripted Speech 26.0, Maltese (mt), obtained via the Mozilla Data Collective (since October 2025 the exclusive distribution channel for Common Voice datasets — the former mozilla-foundation/common_voice_* datasets on this Hub are empty shells).
  • License: the underlying speech data is CC0.
  • Used here: 3000 training clips (~3.77 h, 6 speakers), 200 dev clips, 300 test clips, official splits, clips 1–15 s.
  • The prepared audio dataset is deliberately not re-uploaded to this Hub; get the data from the Mozilla Data Collective.

Training

Standard Hugging Face Seq2SeqTrainer recipe (fine-tune-whisper): batch 4 × grad-accum 4, lr 1e-05, warmup 50, 500 steps, fp32 (MPS), gradient checkpointing, greedy decoding, best-checkpoint-by-WER selection.

Limitations

  • Single low-resource language, ~3.77 h of scripted (read) speech from only 6 speakers (the corpus's many one-clip contributors are concentrated in the held-out splits) — expect degradation on spontaneous/conversational audio and unseen voices.
  • Small test set (300 clips); WER has meaningful variance.
  • No punctuation/casing guarantees; laptop-scale training run, not a production model.

Usage

from transformers import pipeline
asr = pipeline("automatic-speech-recognition", model="titaniumbones/whisper-base-mt-commonvoice")
print(asr("clip.mp3", generate_kwargs={"language": "maltese"}))

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
3cfbb47

0 моделей