/ Модель

Характеристики

Контекст
1 024 токена
Параметры
905 млн
Размер весов
6,2 ГБ
Архитектура
whisper · dense
Базовая модель
whisper-large-v2
Опубликована
23 июл 2026

asr-laughter-whisper

Распознавание речиАудио → текст

Дообученная Whisper large-v2 транскрибирует английскую разговорную речь, сохраняя в расшифровке смех и речь со смехом.

30скачиваний за 30 дней2лайкавеса 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

truongkp/asr-laughter-whisper — дообученная модель Whisper large-v2 для автоматической транскрибации разговорной речи с сохранением смеха и речи, перемежающейся со смехом. Модель разработана в рамках исследования П. Хо, Д. Бэлан, Д. Хейлена и К. П. Чыонга, опубликованного на Interspeech 2025.

Модель принимает аудио и выдаёт текстовую расшифровку на английском языке, включая нелексические маркеры смеха. Она основана на архитектуре Whisper, содержит около 905,2 млн параметров и предназначена для разговорных аудиозаписей. В исследовании использовались корпуса Switchboard и BuckEye; авторы сообщают, что включение смеха в транскрипты не приводило к существенному ухудшению word error rate.

В карточке не указана лицензия этой производной модели, поэтому условия её распространения и коммерческого использования следует уточнить у владельца репозитория. Результаты описаны в исследовательской публикации; качество может зависеть от условий записи и отличий аудио от разговорных корпусов, на которых модель изучали.

Сценарии применения

  • транскрибация английских телефонных разговоров с отметками смеха
  • анализ смеха и речи со смехом в разговорных аудиозаписях
  • подготовка расшифровок диалогов для изучения межличностного взаимодействия
  • оценка распознавания нелексических звуков в системах транскрибации

Ограничения

Исследование оценивало модель на разговорных корпусах Switchboard и BuckEye; точность на других типах аудио может отличаться. Лицензия производной модели в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Non-lexical sounds such as laughter are considered important discourse markers in conversation as these sounds complement the lexical information in shaping interpersonal relations, managing the conversation, and in expressing attitudes and affect. However, general purpose open-source automatic speech recognition (ASR) systems are typically not focusing on these sounds. Laughter transcription is an understudied task in ASR: laughter is often not modelled as a token and is discarded in the evaluation of ASR. In our study, we investigate how current open-source ASR models are handling laughter and speech-laugh (speech interspersed with laughter). Using Switchboard and BuckEye as conversational speech corpora, we fine-tuned and evaluated Whisper and Wav2Vec2. Our results show that laughter can be integrated in ASR transcriptions without substantially degrading word error rate.

Ho, P.H., Bălan, D.A., Heylen, D.K.J., Truong, K.P. (2025) Enhancing Transcripts of Open-Source Automatic Speech Recognition Models Through Fine-Tuning with Laughter and Speech-Laugh. Proc. Interspeech 2025, 4513-4517, doi: 10.21437/Interspeech.2025-2193

Usage

from transformers import AutoProcessor, WhisperForConditionalGeneration
import torch
import librosa

# Path to the local model folder
model_name = 'speechlaugh-whisper/'

model = WhisperForConditionalGeneration.from_pretrained(
    model_name, dtype=torch.float32, device_map="cpu"
)

audio, sr = librosa.load("demo_input.wav", sr=16000)

inputs = processor(
    audio,
    sampling_rate=16000,
    return_tensors="pt"
)

pred_ids = model.generate(inputs.input_features)

hyp = processor.tokenizer.decode(pred_ids[0], skip_special_tokens=True)

print(f"HYP: {hyp}")

Requirements

Tested with:

accelerate==1.14.0
python==3.12.13
librosa==0.11.0
torch==2.13.0
transformers==5.13.1

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
363f8df

0 моделей