/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Библиотека
transformers
Опубликована
12 июл 2024

monsoon-whisper-medium-gigaspeech2

Распознавание речиАудио → текст4 профессии

Экспериментальная модель Whisper Medium, дообученная Typhoon на GigaSpeech2 для распознавания тайской речи, включая аудио из шумной среды.

178скачиваний за 30 дней6лайковвеса обновлены11 июн 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

Monsoon-Whisper-Medium-GigaSpeech2 — модель автоматического распознавания речи от команды Typhoon, основанная на Whisper Medium и дообученная на GigaSpeech2. Она преобразует тайскую речь в текст и рассчитана на распознавание аудио, в том числе записей с YouTube и речи в шумной обстановке.

Модель использует архитектуру Whisper и содержит около 455,8 млн параметров. Для работы требуется Transformers версии 4.38.0 или новее. В карточке приведены оценки WER и CER на наборах GigaSpeech2 и Common Voice 17, но сравнительная таблица представлена не полностью, поэтому по ней нельзя восстановить все результаты. Модель экспериментальная: распознавание может быть неточным, и качество следует оценивать для конкретного применения. Лицензия — Apache 2.0; использование также связано с условиями OpenTyphoon и его уведомлением о конфиденциальности.

Сценарии применения

  • расшифровка тайской речи из видеороликов YouTube
  • транскрибирование тайской речи в шумной обстановке
  • создание текстовых расшифровок аудиозаписей на тайском языке

Ограничения

Модель экспериментальная и может ошибаться; качество следует проверять на данных целевого применения. README не содержит полного набора результатов сравнительной таблицы.

Для каких профессий подходит4

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

Monsoon-Whisper-Medium-Gigaspeech2

Monsoon-Whisper-Medium-GigaSpeech2 is a 🇹🇭 Thai Automatic Speech Recognition (ASR) model. It is based on Whisper-Medium and fine-tuned on GigaSpeech2.

Originally developed as a scale experiment for research on emergent capabilities in ASR tasks. It performs well in the wild, including with audio sourced from YouTube and in noisy environments.

More details can be found in our Typhoon-Audio Release Blog.

By using this model, you agree to the OpenTyphoon Terms and Conditions and acknowledge the Privacy Notice: https://opentyphoon.ai/tac · https://opentyphoon.ai/privacy

Model Description

  • Model type: Whisper Medium.
  • Requirement: transformers 4.38.0 or newer.
  • Primary Language(s): Thai 🇹🇭
  • License: Apache 2.0

Usage Example

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torchaudio
import torch

model_path = "scb10x/monsoon-whisper-medium-gigaspeech2"
device = "cuda"
filepath = 'audio.wav'

processor = WhisperProcessor.from_pretrained(model_path)
model = WhisperForConditionalGeneration.from_pretrained(
    model_path, torch_dtype=torch.bfloat16
)
model.to(device)
model.eval()

model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(
    language="th", task="transcribe"
)
array, sr = torchaudio.load(filepath)
input_features = (
    processor(array, sampling_rate=sr, return_tensors="pt")
    .to(device)
    .to(torch.bfloat16)
    .input_features
)
predicted_ids = model.generate(input_features)
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
print(transcription)

Evaluation Results

ModelWER (GS2)WER (CV17)CER (GS2)CER (CV17)
whisper-large-v337.0222.6324.038.49
whisper-medium55.6443.0137.5516.41
biodatlab-whisper-th-medium-combined31.0014.2521.205.69
biodatlab-whisper-th-large-v3-combined29.0215.7219.966.32
monsoon-whisper-medium-gigaspeech222.7420.7914.156.92

Intended Uses & Limitations

This model is experimental and may not always be accurate. Developers should carefully assess potential risks in the context of their specific applications.

Follow us & Support

Typhoon Team

Kunat Pipatanakul, Potsawee Manakul, Sittipong Sripaisarnmongkol, Natapong Nitarach, Warit Sirichotedumrong, Adisai Na-Thalang, Phatrasek Jirabovonvisut, Parinthapat Pengpun, Krisanapong Jirayoot, Pathomporn Chokchainant, Kasima Tharnpipitchai

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
e6606ea

0 моделей