/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-medium
Опубликована
26 авг 2026

typhoon-whisper-medium

Распознавание речиАудио → текст3 профессии

Модель Whisper-medium, дообученная для транскрибирования тайской речи с возможностью учитывать короткий список контекстных терминов.

265скачиваний за 30 дней0лайковвеса обновлены6 сен 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-ai разработала typhoon-whisper-medium — модель распознавания тайской речи на основе Whisper-medium от OpenAI, дообученная на примерно 10 846 часах тайской речи. Это полное дообучение базовых весов с поддержкой контекстной подсказки через объединённый с ними decoder LoRA-адаптер; файлы представлены в формате safetensors. Модель предназначена для транскрибирования речи на тайском языке, в том числе с использованием короткого списка имён и терминов для повышения вероятности их распознавания.

В README приведены результаты на тайских тестовых наборах: CER 4,78% на GigaSpeech2-typhoon и 7,50% на TVSpeech. Для контекстного смещения требуется передавать подсказку в начальном prompt Whisper в формате «คำศัพท์ที่เกี่ยวข้อง: » и затем перечислять термины через пробел. Окно Whisper ограничивает аудио примерно 30 секундами, поэтому длинные записи нужно разбивать на фрагменты; prompt ограничен 224 токенами, и длинные списки терминов могут усекаться и ухудшать распознавание. Обучение преимущественно на тайских роликах YouTube означает, что точность вне этого домена может быть ниже. Указана лицензия MIT.

Сценарии применения

  • транскрибирование тайской речи в аудиозаписях
  • расшифровка тайских роликов и телепередач
  • распознавание тайских имён и терминов по контекстному списку
  • получение текста из коротких тайских аудиофрагментов

Ограничения

Модель обучена исключительно на тайской речи, а преимущественно тайский YouTube-корпус может ограничивать точность на материалах других доменов. Окно обработки аудио составляет около 30 секунд, а контекстный список следует держать коротким и передавать в точном формате из README.

Для каких профессий подходит3

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

typhoon-whisper-medium

Thai Whisper-medium with contextual biasing support via a decoder LoRA. Merged base weights + adapter in one repo.

Full fine-tune of openai/whisper-medium on ~10,846 hours of Thai speech (see the Typhoon ASR Real-time technical report).

Results

Character Error Rate (%, lower is better), spaces macro-CER protocol.

benchmarkCER
TVSpeech (570 utts, out-of-domain robustness)7.50
gigaspeech2-typhoon test (gs2_bench, 1,000 utts, in-domain)4.78

Contextual biasing (thai-contextasr-bench, 2,062 utts)

conditionCER %entity recallΔrecall vs none
none7.050.383–
bias@04.920.658+0.275
bias@108.090.597+0.214
dis@108.130.375-0.008

bias@0 = gold entities only (an oracle upper bound). bias@10 = gold plus 10 distractors, the realistic condition. dis@10 = distractors only, measuring over-biasing.

Usage

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor

model_id = "typhoon-ai/typhoon-whisper-medium"
processor = WhisperProcessor.from_pretrained(model_id)
model = WhisperForConditionalGeneration.from_pretrained(
    model_id, dtype=torch.bfloat16).to("cuda").eval()

feats = processor(audio, sampling_rate=16000, return_tensors="pt").input_features
feats = feats.to("cuda", torch.bfloat16)
ids = model.generate(feats, language="th", task="transcribe", max_new_tokens=440)
print(processor.batch_decode(ids, skip_special_tokens=True)[0])

Contextual biasing

Load the bundled LoRA adapter (contextual biasing lives in the adapter; the base model alone is a plain Thai ASR), then pass a bias list through Whisper's initial prompt (<|startofprev|>) in the training carrier format.

⚠️ Use this exact carrier format. The model was trained only with the prompt "คำศัพท์ที่เกี่ยวข้อง: " + " ".join(entries) (space-joined entries after the carrier phrase). Any other phrasing, separator, or format was never seen in training and will degrade or disable the biasing effect.

from peft import PeftModel
model = PeftModel.from_pretrained(model, model_id, subfolder="adapter")

prompt = "คำศัพท์ที่เกี่ยวข้อง: " + " ".join(entries)
ids = processor.get_prompt_ids(prompt, return_tensors="pt").to(model.device)
out = model.generate(features, language="th", task="transcribe", prompt_ids=ids)

Architectural limit: Whisper's prompt is capped at 224 tokens inside a 448-token decoder window. Lists beyond ~15–20 entries truncate and degrade sharply — this is a property of the architecture, not of this fine-tune. Keep lists short; retrieve the top-k entries per utterance if you have a large vocabulary.

Limitations

  • Domain: >95 % of the training corpus is GigaSpeech2-th (Thai YouTube). In-domain accuracy (gs2_bench) is far stronger than out-of-domain robustness (TVSpeech).
  • Benchmark overlap: 3.0 % of gs2_bench utterances share boilerplate transcripts (sponsor taglines, programme intros) with training data. No audio clip is reused — id overlap is 0 — and this affects every system trained on GigaSpeech2-th equally, but read the in-domain number with it in mind. TVSpeech is 100 % clean.
  • Thai only. Fine-tuned exclusively on Thai; other languages are not preserved.
  • 30 s window. Standard Whisper limit; longer audio needs chunking.

Acknowledgements

We thank Kunat Pipatanakul and Potsawee Manakul (wayu-ai) for their valuable feedback.

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
bc70ae0

0 моделей