/ Модель

Характеристики

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

whisper-tiny-grpo-0029b82-cv17-tiny-sft

Распознавание речиАудио → текст3 профессии

Компактная модель на базе Whisper Tiny для распознавания речи и транскрибации аудио, дообученная методом GRPO на 49 локалях Common Voice.

15скачиваний за 30 дней0лайковвеса обновлены26 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

Whisper Tiny GRPO — компактная модель распознавания речи, созданная wrice дообучением openai/whisper-tiny методом GRPO с наградой на основе ошибок слов и символов. Она преобразует аудиозаписи в текст и предназначена для транскрибации речи; обучение проводилось на данных Common Voice для 49 языковых локалей с фиксацией языка по локали аудиоклипа.

На отложенной выборке Common Voice после нормализации текста лучшая общая оценка составила WER 0,472 и CER 0,175. Модель использует архитектуру Whisper и формат safetensors; для запуска доступен pipeline Transformers. Репозиторий распространяется по лицензии MIT.

Это экспериментальный proof of concept, а не настроенная для промышленного применения система. Результаты на реальных записях зависят от предметной области, акцента, языка и качества аудио; метрики README получены на срезе Common Voice.

Сценарии применения

  • транскрибация аудиозаписей на языках Common Voice
  • распознавание речи в коротких аудиоклипах
  • эксперименты с GRPO для улучшения распознавания речи

Ограничения

README описывает модель как proof of concept, не настроенный для промышленного применения. Качество в реальных условиях зависит от области, акцента, языка и качества аудио.

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

whisper-tiny-grpo-0029b82-cv17-tiny-sft

A Whisper model fine-tuned with GRPO (Group Relative Policy Optimization) using a blended error-rate reward. Trained with whisper-rl.

Best validation (overall across 49 languages): WER 0.472, CER 0.175

Training data

Fine-tuned on cv17_index — all 49 Common Voice locales, streamed and decoded on the fly from the full training split. Each clip's language is pinned from its Common Voice locale during training.

Performance per language

Validation WER and CER at the best checkpoint, per Common Voice locale (also in the Evaluation Results metadata above):

LanguageWERCER
ar0.2570.161
ast0.5110.196
be0.7140.203
bg0.5420.123
bn0.4430.310
br0.9630.515
cs0.4670.107
cy0.5870.226
da0.8330.298
de0.3730.114
el0.4290.135
en0.2810.139
es0.4040.186
et0.5650.140
fa0.7240.311
fi0.5130.174
fr0.3730.108
gl0.4040.080
ha0.5580.168
hi0.3670.181
hu0.6580.180
it0.4090.140
ja1.1670.262
ka0.6760.269
ko0.5580.243
lt0.8240.238
lv0.5860.159
mk0.6100.162
ml0.4290.284
mn0.6540.219
mr0.2160.111
nl0.2000.071
oc0.8820.325
pl0.5710.234
pt0.3680.115
ro0.4210.146
ru0.3750.112
sk0.7270.176
sl0.3890.100
sr0.1110.029
sv-SE0.3750.156
sw0.6080.188
ta0.1410.068
te0.3530.200
th0.4860.168
tr0.6300.114
uk0.2820.055
ur0.5680.266
vi0.5000.219

How it was trained

Instead of cross-entropy against a single reference, for each audio clip the policy samples a group of num_generations transcriptions, scores each by a negated blend of word error rate, character error rate, and length / repetition penalties, and is nudged toward the better candidates with a clipped policy-gradient objective regularized by a per-token KL penalty to the frozen base model. Advantages are the group-relative, standardized rewards (A = (r - mean) / (std + eps)), so no value network is needed. The clip's language is pinned from its Common Voice locale, and the policy's own greedy transcriptions are scored as validation WER and CER.

Hyperparameters

FieldValue
Base modelopenai/whisper-tiny
Dataset/data/cv17_index
Learning rate1e-05
Sampling temperature0.7
Group size (generations/clip)8
Reward weights{'cer': 1, 'wer': 1, 'length': 0.5, 'repetition': 0.5}
KL penalty (β)0.04
Batch size (clips/step)16
Max optimizer steps1000000
Warmup steps20

Training curves

Pulled from the Weights & Biases run (static snapshot):

training curves

Usage

from transformers import pipeline

asr = pipeline("automatic-speech-recognition", model="wrice/whisper-tiny-grpo-0029b82-cv17-tiny-sft")
print(asr("audio.wav")["text"])

Limitations

A proof-of-concept GRPO recipe, not a tuned production system. WER and CER are reported on a held-out Common Voice validation slice after text normalization; real-world performance varies by domain, accent, language, and audio quality.

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
42d4334

0 моделей