/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Опубликована
22 июл 2026

sagarmatha-v4-nepali-asr

Распознавание речиАудио → текст

Sagarmatha V4 — дообученная на непальской речи модель Whisper для транскрибации аудио в текст деванагари.

52скачиваний за 30 дней0лайковвеса обновлены22 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

Sagarmatha V4 — модель автоматического распознавания речи на непальском языке, созданная дообучением openai/whisper-large-v3-turbo. Это модель архитектуры Whisper encoder-decoder, обученная методом QLoRA на 265 часах непальской речи. Веса адаптера объединены с базовой моделью, поэтому для инференса не требуется PEFT. Модель преобразует непальскую речь в текст письмом деванагари и предназначена для транскрибации, исследований распознавания малоресурсных языков и подготовки данных для последующих NLP-конвейеров. В тестировании достигла WER 30,99% на отложенной выборке. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация записей речи на непальском языке
  • получение текста деванагари из непальского аудио
  • подготовка транскриптов для последующих NLP-конвейеров
  • исследование распознавания речи на малоресурсном непальском языке

Ограничения

Качество на выраженных региональных акцентах не оценивалось; смешение непальского с английским и шумные записи могут ухудшать распознавание. Для аудио длиннее 30 секунд требуется обработка фрагментами; модель не дообучалась для перевода.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sagarmatha V4 - Nepali Automatic Speech Recognition

Sagarmatha V4 is a fine-tuned version of openai/whisper-large-v3-turbo for Nepali (Devanagari script) automatic speech recognition. It was trained on 265 hours of curated Nepali audio using parameter-efficient fine-tuning (QLoRA) and achieves a Word Error Rate of 30.99% on a held-out test set, representing approximately a 20 percentage point improvement over the zero-shot baseline.

Model Details

Model Description

AttributeValue
Model typeEncoder-decoder (Whisper architecture)
Base modelopenai/whisper-large-v3-turbo
Fine-tuning methodQLoRA (LoRA rank 32, alpha 64, NF4 quantization)
LanguageNepali (ne)
LicenseApache 2.0
Release dateJuly 2026

This repository contains the fully merged model: the LoRA adapter weights have been folded into the base model parameters. No PEFT library is required at inference time.

Intended Use

  • Transcription of spoken Nepali audio to Devanagari text
  • Research on low-resource South Asian language speech recognition
  • Downstream NLP pipelines requiring Nepali ASR

Out-of-Scope Use

  • Translation tasks (the model was fine-tuned for transcription only)
  • Languages other than Nepali
  • Real-time streaming transcription without chunking for audio longer than 30 seconds

Evaluation Results

Evaluated on held-out splits of the Sagarmatha V4 dataset after 10,000 training steps (~3.5 epochs). Two splits were used: a random sample across all clip lengths, and a long-clip split restricted to utterances of more than 25 words.

Evaluation SplitWERCER
Random sample (all lengths)30.99%9.58%
Long clips (>25 words)31.70%10.20%
Baseline: zero-shot whisper-large-v3-turbo~52%-

The near-identical WER between short and long clips confirms that the EOS truncation bias present in earlier model versions (Sagarmatha V3, WER 55.74% with 44% deletions on long clips) has been fully resolved in this version.


Usage

Direct Inference

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="tonibirat/sagarmatha-v4-nepali-asr",
    generate_kwargs={"language": "nepali", "task": "transcribe"},
    device=0,  # use -1 for CPU
)

result = pipe("audio.wav")
print(result["text"])

Long-Form Audio (recommended for audio longer than 30 seconds)

result = pipe(
    "long_audio.wav",
    return_timestamps=True,
    chunk_length_s=30,
    stride_length_s=5,
)
print(result["text"])

for chunk in result["chunks"]:
    start, end = chunk["timestamp"]
    print(f"[{start:.1f}s - {end:.1f}s]  {chunk['text']}")

With WhisperProcessor Directly

import torch
from transformers import AutoProcessor, WhisperForConditionalGeneration

processor = AutoProcessor.from_pretrained("tonibirat/sagarmatha-v4-nepali-asr")
model = WhisperForConditionalGeneration.from_pretrained(
    "tonibirat/sagarmatha-v4-nepali-asr",
    torch_dtype=torch.float16,
    device_map="auto",
)

# Prepare audio (16 kHz mono expected)
inputs = processor(audio_array, sampling_rate=16000, return_tensors="pt")
predicted_ids = model.generate(
    inputs["input_features"].to(model.device, dtype=torch.float16),
    language="nepali",
    task="transcribe",
)
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
print(transcription[0])

Training Details

Dataset

The model was trained on Sagarmatha V4, a curated corpus of 265 hours of Nepali speech comprising 156,375 audio clips in FLAC format.

AttributeValue
Total duration265 hours
Number of clips156,375
Audio formatFLAC, 16 kHz mono
SourcesOpenSLR-54 (Nepali speech), Internal curated v3
Quality filterCTC confidence score >= 0.70
Evaluation splitRandom held-out set + long-clip set (>25 words)

Data from the OpenSLR source was obtained from openslr.org/54 (Nepali TTS and ASR corpus).

Hyperparameters

ParameterValue
Base modelopenai/whisper-large-v3-turbo
Fine-tuning methodQLoRA
LoRA rank32
LoRA alpha64
LoRA dropout0.05
Target modulesq_proj, k_proj, v_proj, out_proj, fc1, fc2
QuantizationNF4 (4-bit)
Training steps10,000
Effective epochs~3.5
Effective batch size32 (per-device batch 2, gradient accumulation 16)
Learning rate1e-5
LR scheduleLinear decay with 1,000 warmup steps
OptimizerAdamW
Final training loss0.5849

Hardware

AttributeValue
Hardware2x NVIDIA Tesla T4 (Kaggle, 16 GB VRAM each)
Training duration~10.3 hours
FrameworkHugging Face Transformers 4.x + PEFT
PrecisionMixed precision (fp16)

Limitations

  • Accent coverage: The model was trained predominantly on standard spoken Nepali. Performance on strong regional accents or dialects has not been evaluated.
  • Code-switching: Utterances mixing Nepali and English may produce degraded output, as the training corpus does not contain code-switched speech.
  • Noisy environments: No noise augmentation was applied during training. Performance in high-noise conditions is expected to be lower.
  • Long-form audio: Clips longer than 30 seconds require chunked inference. End-to-end transcription of arbitrarily long audio without chunking is not supported.
  • Translation: The model was not fine-tuned for translation. Invoking task="translate" will produce Whisper's default translation behaviour, not a fine-tuned translation system.

Citation

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

@misc{birat2026sagarmatha,
  author       = {Birat, Toni},
  title        = {Sagarmatha V4: QLoRA Fine-Tuning of Whisper for Low-Resource Nepali ASR},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/tonibirat/sagarmatha-v4-nepali-asr}},
}

Acknowledgements

Base model weights are from openai/whisper-large-v3-turbo. Training was conducted on Kaggle (free GPU tier, T4 hardware) using the Hugging Face PEFT and Transformers libraries.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
b4ca0da

0 моделей