/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
typhoon-whisper-medium
Опубликована
29 авг 2026

typhoon-whisper-medium-ctc

Распознавание речиАудио → текст3 профессии

Тайская модель на базе Whisper-medium распознаёт речь и выдаёт посимвольные и словные временные метки для транскрипта.

560скачиваний за 30 дней1лайквеса обновлены6 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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-medium-ctc — тайская модель распознавания и выравнивания речи, разработанная Typhoon AI. Она использует замороженный энкодер Whisper-medium и дообученную Transformer-голову на 29 млн параметров, которая выдаёт посимвольные вероятности CTC. Один проход энкодера позволяет получить транскрипт и временные метки: модель распознаёт речь жадным CTC-декодированием либо выравнивает предоставленный текст с аудио на уровне символов и слов.

Обучение проводилось на 1 000 часах GigaSpeech2-th; для сегментации слов используется pythainlp или заданное пользователем разбиение. Модель рассчитана на тайскую речь и не предназначена для других языков. В README указаны CER 6,86% на тесте GigaSpeech2-typhoon и точность временных меток на отдельном тесте выравнивания. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибирование тайской речи из аудиозаписей
  • выравнивание готового тайского транскрипта с аудио
  • получение временных меток для тайских слов и символов

Ограничения

Поддерживается тайский язык; качество меток и распознавания зависит от аудио и точности переданного текста при выравнивании. Заявленные метрики относятся к конкретным тестовым наборам.

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-ctc

Word- and character-level timestamps for Thai: a 29M character-CTC head on the frozen typhoon-ai/typhoon-whisper-medium encoder (pinned revision 945a87c, recorded in config.json). One encoder pass gives transcription and alignment.

It is both an aligner and a compact ASR model: it force-aligns given text (a transcript or ASR hypothesis) to word/character timestamps, and its greedy CTC decode transcribes directly (--transcribe, no text needed).

Results

metricvalue
greedy CER (ASR mode) on gigaspeech2-typhoon bench6.86%
alignment jitter (solo-consistency, exact GT)2.0 ms
onset p50 vs frame-exact TTS ground truth (thai-aligner-bench-dev)20 ms (GT grid 25 ms)
onset bias (constant, correctable)−15 ms (half-frame convention)
pause-instrument per-speaker r (thai-aligner-bench-dev)0.979 (XLSR 0.961, MFA-Thai 0.767, MMS 0.752)
errors > 100 ms0.09% (XLSR 0.20%)
word-onset p50 on human-annotated interviews (C-COST, data)54.0 ms (constant +53 ms char-CTC-vs-MAUS convention offset; bias-discounted jitter 21.3 ms)

Trained on 1,000 h of GigaSpeech2-th.

Usage

pip install torch torchaudio transformers safetensors huggingface_hub soundfile pythainlp
python standalone_align.py --head typhoon-ai/typhoon-whisper-medium-ctc \
    --audio clip.wav --text "ข้อความ" --words

# ASR mode (greedy CTC decode)
python standalone_align.py --head typhoon-ai/typhoon-whisper-medium-ctc --audio clip.wav --transcribe

standalone_align.py (bundled) has no other dependencies; the frozen encoder downloads automatically at the pinned revision. Files: head.safetensors, config.json (architecture + encoder id/revision), ctc_vocab.json (80-symbol Thai char vocab v1.0.0).

How it works

Frozen Whisper encoder (50 Hz) → 29M Transformer head → per-frame character posteriors → CTC forced alignment against the given text → character spans on a 20 ms grid; words grouped with pythainlp newmm or caller-supplied segmentation.

Reference

Typhoon ASR: see the Typhoon ASR Real-time technical report.

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

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
da0a5a6

0 моделей