/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,2 ГБ
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
8 янв 2026

typhoon-whisper-large-v3

Распознавание речиАудио → текст7 профессий

Модель на базе Whisper Large v3 для точной транскрибации тайской речи в текст.

6 059скачиваний за 30 дней7лайковвеса 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

Typhoon Whisper Large v3 — модель распознавания тайской речи, разработанная командой Typhoon (SCB 10X) на архитектуре OpenAI Whisper Large v3. Это полная версия Whisper с 32 слоями декодера и примерно 905,2 млн параметров; модель дообучена на около 10 млн примеров тайской речи общей длительностью около 11 000 часов. Она принимает аудио и преобразует речь в текст, в том числе в сценариях офлайн-транскрибации, где важнее точность, чем скорость.

При подготовке данных использовались GigaSpeech2, Common Voice и подборка общедоступных медиаматериалов; Typhoon сообщает о нормализации чисел, маркеров повторов и контекстных неоднозначностей. Модель рассчитана прежде всего на тайский язык и заявлена как устойчивая к разным акустическим условиям и манерам речи. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT.

Модель специализирована на тайской речи: качество может снижаться для диалектов и акцентов, слабо представленных в обучающих данных. По сравнению с облегчёнными вариантами ей требуется больше вычислительных ресурсов; она лучше подходит для транскрибации без жёстких требований к задержке.

Сценарии применения

  • транскрибация тайских аудиозаписей
  • распознавание речи в тайских видео и медиаматериалах
  • создание текстовых расшифровок тайских лекций и интервью
  • офлайн-распознавание тайской речи в шумных условиях

Ограничения

Оптимизирована для тайского языка; качество может быть ниже на недостаточно представленных в обучении диалектах и акцентах. Требует больше вычислительных ресурсов, чем облегчённые варианты, и лучше подходит для офлайн-транскрибации, где задержка не критична.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Typhoon Whisper Large v3

Typhoon Whisper Large v3 is a state-of-the-art Thai Automatic Speech Recognition (ASR) model fine-tuned on the OpenAI Whisper Large v3 architecture. It delivers exceptional accuracy on Thai speech recognition tasks, achieving superior performance through comprehensive training on diverse Thai audio data.

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

The model was trained on approximately 10 million data points (~11,000 hours) of Thai audio, curated and normalized using the Typhoon data pipeline to ensure consistent handling of Thai numbers, repetition markers, and context-dependent ambiguities.

Model Overview

  • Architecture: Whisper Large v3 (32 decoder layers, full model)
  • Language: Thai
  • Dataset: ~10M training samples of normalized Thai speech (Gigaspeech2, CommonVoice, Internal Curated Public Media)
  • Task: Automatic Speech Recognition (ASR)
  • License: MIT (inherited from OpenAI Whisper)

Performance

Typhoon Whisper Large v3 achieves state-of-the-art performance on Thai speech recognition benchmarks.

Note: Lower CER (Character Error Rate) is better. Results on Gigaspeech2 (Clean/Academic), TVSpeech (Noisy/In-the-wild), and Google Fleurs (Thai) testset.

Usage

You can use this model directly with the Hugging Face transformers library.

Installation

pip install transformers torch accelerate

Example Code

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.bfloat16 if torch.cuda.is_available() else torch.float32

model_id = "scb10x/typhoon-whisper-large-v3"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=448,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

# Transcribe
result = pipe("path_to_audio.wav", generate_kwargs={"language": "thai"})
print(result["text"])

Training Data

The model was trained on approximately 10 million training samples (~11,000 hours) of Thai audio data, including:

  • Gigaspeech2: Clean, academic-style speech
  • CommonVoice: Crowd-sourced diverse speech samples
  • Internal Curated Public Media: Proprietary datasets curated by Typhoon Team, SCB 10X

All data was normalized using the Typhoon data pipeline to ensure:

  • Consistent handling of Thai numbers
  • Proper treatment of repetition markers
  • Resolution of context-dependent ambiguities

Model Architecture

Typhoon Whisper Large v3 is based on OpenAI Whisper Large v3, the full-scale model featuring:

  • Full architecture: 32 decoder layers for maximum representational capacity
  • State-of-the-art accuracy: Optimized for best possible transcription quality
  • Robust performance: Handles diverse acoustic conditions and speaking styles

This is the flagship model in the Typhoon ASR family, prioritizing accuracy over inference speed.

Limitations

  • The model is optimized specifically for Thai language speech recognition
  • Performance may vary on dialects or accents not well-represented in the training data
  • Requires more computational resources compared to lighter variants (e.g., Typhoon Whisper Turbo)
  • Best suited for offline transcription where accuracy is prioritized over latency

License

This model is released under the MIT License, inherited from OpenAI Whisper.

Citation

If you use this model in your research or application, please cite our technical report:

arXiv

@misc{warit2026typhoonasr,
      title={Typhoon ASR Real-time: FastConformer-Transducer for Thai Automatic Speech Recognition}, 
      author={Warit Sirichotedumrong and Adisai Na-Thalang and Potsawee Manakul and Pittawat Taveekitworachai and Sittipong Sripaisarnmongkol and Kunat Pipatanakul},
      year={2026},
      eprint={2601.13044},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2601.13044}, 
}

Contact

For questions or feedback, please visit our website or open an issue on the model's repository.


Developed by: Typhoon Team, SCB 10X
Model Card Version: 1.0
Last Updated: January 2026

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
748e8a4

0 моделей