/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-tiny
Библиотека
transformers
Опубликована
10 сен 2026

whisper-tiny-grpo

Распознавание речиАудио → текст7 профессий

Дообученная на Common Voice 22 методом GRPO модель Whisper tiny для многоязычной транскрибации аудио.

20скачиваний за 30 дней0лайковвеса обновлены10 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

wrice/whisper-tiny-grpo — модель распознавания речи, созданная дообучением openai/whisper-tiny методом GRPO (Group Relative Policy Optimization). Во время обучения кандидаты транскрипции оценивались по ошибке слов (WER), а обновления модели ограничивались KL-регуляризацией относительно исходной модели. Модель использует архитектуру Whisper и библиотеку Transformers; веса доступны в формате safetensors. Базовая модель компактная и многоязычная.

Модель предназначена для преобразования аудиозаписей в текст на разных языках, включая сценарии с языками и локалями Common Voice. На тестовой выборке Common Voice 26.0 авторы сообщают о снижении общей WER с 0,9718 до 0,6226 относительно исходной Whisper tiny и улучшении в 69 из 81 локалей. В то же время в 11 локалях качество ухудшилось; среди указанных примеров — корейский, малайский и арабский. Для японского, тайского и китайского авторы считают CER более показательным, чем WER.

Оценка охватывает около 59 аудиоклипов на локаль, поэтому результаты отдельных малоресурсных языков могут быть нестабильными. Модель сравнивали с исходной Whisper tiny, но не с supervised fine-tuning на тех же данных; лучший из трёх чекпойнтов выбирался по тестовым результатам. Лицензия — MIT.

Сценарии применения

  • транскрибация аудиозаписей на поддерживаемых языках
  • распознавание речи в записях Common Voice
  • сравнение качества распознавания речи по языкам и локалям

Ограничения

В 11 из 81 проверенных локалей качество ухудшилось относительно исходной Whisper tiny; результаты отдельных локалей основаны примерно на 59 клипах и могут быть шумными. Сравнение не включает supervised fine-tuning на тех же данных, а лучший из трёх чекпойнтов выбрали по результатам теста.

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

whisper-tiny-grpo

openai/whisper-tiny finetuned with GRPO (Group Relative Policy Optimization) using word error rate as the reward, across 81 Common Voice locales (79 distinct Whisper languages).

Instead of cross-entropy against a single reference, the model samples a group of candidate transcriptions per clip, scores each by its WER against the ground truth, and is nudged toward the lower-error candidates with a policy-gradient objective regularized by a KL penalty to the original model. Training code: will-rice/whisper-rl.

Results

Evaluated on the Common Voice 26.0 test split — 4,800 clips round-robin across all 81 locales in the index, greedy decoding, corpus-level rates.

WERCER
openai/whisper-tiny0.97180.5836
this model0.62260.2789
change-0.3492-0.3047

Improves 69 of 81 locales.

Rates are bucketed by Common Voice locale, not by Whisper language. The two differ: zh-CN, zh-HK and zh-TW are separate locales that all prompt with the same <|zh|> token, and regional codes like pa-IN, ne-NP and sv-SE map to <|pa|>, <|ne|> and <|sv|>. 81 locales span 79 Whisper languages.

Largest gains

localebaseline WERthis modelchange
kk2.1640.686-1.479
tk1.9620.845-1.117
pa-IN1.4500.420-1.029
fa1.6120.791-0.821
tt1.3730.600-0.773
hi0.9960.244-0.751
ka1.5380.798-0.740
sd1.7941.055-0.738
uz1.3230.655-0.667
ne-NP1.0990.452-0.646

Baseline WER above 1.0 means the model emitted more tokens than the reference contains — runaway insertion, not merely inaccurate transcription. The largest gains are where that behaviour was worst.

Regressions (11 of 81 locales)

localebaseline WERthis modelchange
ko0.7231.166+0.442
ms0.6650.981+0.316
ar0.7410.949+0.209
en0.3080.412+0.105
vi0.6140.675+0.061
ru0.3890.439+0.050
he0.6890.710+0.021
sv-SE0.6180.636+0.018

The regressions cluster in higher-resource languages where whisper-tiny was already reasonable. The method trades some high-resource accuracy for large low-resource gains.

Evaluation methodology

Held-out in both senses that matter:

  • Disjoint from training data. This checkpoint trained on Common Voice 22; evaluation is on Common Voice 26 test. Common Voice partitions speaker-disjoint and keeps assignments stable across releases — intersecting CV22 train with CV26 test over six locales found 1 shared speaker in 4,900.
  • Disjoint from checkpoint selection. Training selects checkpoints on validation reward. The maximum of a noisy sequence of validation passes is optimistically biased, so validation numbers overstate. Every figure here is from test, which nothing in training touched.

Baseline and finetuned models score the same clips in the same order — the evaluation slice is materialized with take() and never shuffled — so a difference can only come from the model.

Limitations

  • Roughly 59 clips per locale at this sample count. The overall figures are solid; any single low-resource locale's rate is noisy.
  • Compared only against openai/whisper-tiny, not against supervised finetuning on the same data. This shows GRPO beats the base model, not that it beats SFT.
  • Three checkpoints from the same training line were scored, and this one was best on test. Selecting the best of three on the evaluation set slightly flatters this specific number — though all three beat the baseline by a similar margin (WER −0.298 to −0.349), so the improvement itself does not depend on which was picked.
  • CER is the more meaningful figure for languages without word boundaries (ja, th, zh-*).

Usage

from transformers import WhisperForConditionalGeneration, WhisperProcessor

model = WhisperForConditionalGeneration.from_pretrained("wrice/whisper-tiny-grpo")
processor = WhisperProcessor.from_pretrained("wrice/whisper-tiny-grpo")

The language token must be pinned at generation time; Whisper's own detection mislabels lower-resource clips, which is what the training setup assumes.

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
a3bb01d

0 моделей