/ Модель

Характеристики

Параметры
905 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
6 янв 2026

typhoon-whisper-turbo

Распознавание речиАудио → текст5 профессий

Модель Typhoon Whisper Turbo распознаёт тайскую речь и преобразует её в текст для офлайн-транскрибации.

13 132скачиваний 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

Typhoon Whisper Turbo — модель автоматического распознавания речи на тайском языке, разработанная командой Typhoon и SCB 10X. Она дообучена на архитектуре OpenAI Whisper Large v3 Turbo и содержит 905,2 млн параметров. В карточке указаны четыре слоя декодера против 32 у Whisper Large v3 и обучение примерно на 11 000 часах тайской речи из GigaSpeech2, Common Voice и курируемых публичных медиаматериалов.

Модель предназначена для офлайн-транскрибации тайской речи. Нормализация обучающих данных нацелена на обработку чисел, маркеров повторов и неоднозначностей, зависящих от контекста. В README сообщается о конкурентном качестве на наборах GigaSpeech2, TVSpeech и Google Fleurs, а также о меньших задержке и требованиях к памяти по сравнению со стандартными моделями Whisper; конкретные численные результаты не приведены.

Модель принимает аудио и выдаёт текст. Она оптимизирована для тайского языка, а качество может снижаться на диалектах и акцентах, недостаточно представленных в обучающих данных. README рекомендует её прежде всего для офлайн-распознавания, а не потоковой транскрибации. Лицензия — MIT; в карточке также упоминаются условия использования OpenTyphoon.

Сценарии применения

  • транскрибация тайской речи из аудиозаписей
  • распознавание тайской речи в публичных медиаматериалах
  • преобразование тайских лекций и выступлений в текст
  • расшифровка тайских аудиозаписей с числовыми выражениями и повторами

Ограничения

Модель оптимизирована для тайского языка, и качество может различаться для диалектов и акцентов, недостаточно представленных в обучающих данных. Лучше подходит для офлайн-транскрибации, чем для потоковой обработки речи.

Для каких профессий подходит5

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 Turbo

Typhoon Whisper Turbo is a state-of-the-art Thai Automatic Speech Recognition (ASR) model fine-tuned on the OpenAI Whisper Large v3 Turbo architecture. It is engineered to deliver a balance of high accuracy and low latency for offline transcription, significantly outperforming standard Whisper models in throughput while maintaining robust performance on Thai speech.

The model was presented in the paper Typhoon ASR Real-time: FastConformer-Transducer for Thai Automatic Speech Recognition.

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 11,000 hours of Thai audio, curated and normalized using the SCB 10X Typhoon data pipeline to ensure consistent handling of Thai numbers, repetition markers, and context-dependent ambiguities.

Model Overview

  • Architecture: Whisper Large v3 Turbo (4 decoder layers vs 32 in standard Large v3)
  • Language: Thai
  • Dataset: ~11,000 hours of normalized Thai speech (Gigaspeech2, CommonVoice, Internal Curated Public Media)
  • Task: Automatic Speech Recognition (ASR)
  • License: MIT (inherited from OpenAI Whisper)

Performance

Typhoon Whisper Turbo achieves competitive performance against large-scale offline models on Thai speech recognition tasks.

Thai ASR Model Performance - Pareto Frontier comparing accuracy vs inference speed

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-turbo"

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 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 Turbo is based on OpenAI Whisper Large v3 Turbo, achieving performance comparable to state-of-the-art models while being significantly more efficient:

  • Reduced model size: Only 4 decoder layers (compared to 32 in standard Large v3)
  • Lower memory footprint: Requires substantially less GPU/CPU memory during inference
  • Maintained accuracy: Competitive performance with minimal trade-off despite the compact architecture

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
  • Best suited for offline transcription rather than real-time streaming applications

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{warit2026typhoonasrr,
      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
3c03fa8

0 моделей