/ Модель

Характеристики

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

whisper-tiny-grpo-0029b82-cv22-tiny-sft

Распознавание речиАудио → текст8 профессий

Компактная дообученная модель Whisper для транскрибации речи на языках Common Voice с экспериментальным обучением GRPO.

8скачиваний за 30 дней0лайковвеса обновлены30 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

Модель wrice/whisper-tiny-grpo-0029b82-cv22-tiny-sft — версия Whisper tiny, дообученная автором репозитория с помощью GRPO и комбинированной награды на основе ошибок слов и символов. Она предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст; обучающие данные взяты из Common Voice для 77 языковых локалей, а язык клипа задавался по локали набора данных.

По карточке, лучший общий результат на валидационной выборке по 77 языкам составил WER 0,602 и CER 0,253. Это экспериментальная компактная модель на архитектуре Whisper, доступная в формате safetensors и используемая через Transformers. Лицензия — MIT.

Автор характеризует рецепт обучения как proof of concept, а не готовую производственную систему. Результаты зависят от предметной области, акцента, языка и качества аудио; метрики получены на нормализованной выборке Common Voice и не гарантируют аналогичного качества на реальных записях.

Сценарии применения

  • транскрибация аудиозаписей на языках Common Voice
  • получение черновых субтитров из речи
  • распознавание речи в многоязычных аудиоклипах

Ограничения

Автор описывает модель как proof of concept, а не настроенную производственную систему. Качество зависит от языка, домена, акцента и качества аудио; приведённые WER и CER измерены на нормализованной валидационной выборке Common Voice.

Для каких профессий подходит8

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-0029b82-cv22-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 77 languages): WER 0.602, CER 0.253

Training data

Fine-tuned on cv22_index — all 77 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
af0.9110.302
am0.8650.548
ar0.6470.253
as0.3440.193
az0.7440.257
ba0.8120.278
be0.5560.141
bg0.6000.165
bn0.3750.223
br0.7070.349
ca0.8200.368
cs0.6250.130
cy0.4500.142
da0.3460.132
de0.2240.089
el0.4090.130
en0.5120.267
es0.6520.242
et0.9630.233
eu0.5830.142
fa0.9000.361
fi0.5000.128
fr0.4000.167
gl0.2810.048
ha0.5160.108
he1.0000.670
hi0.3020.171
ht0.9520.411
hu1.0560.720
hy-AM0.8800.277
id0.7690.338
is0.9680.543
it0.4210.107
ja1.0000.438
ka0.7620.383
kk0.6500.224
ko0.6520.524
lo0.7880.704
lt0.7830.303
lv0.6670.143
mk0.4240.151
ml0.3490.245
mn0.7350.262
mr0.1710.104
mt0.5620.181
ne-NP0.3600.188
nl0.6670.198
nn-NO0.8890.483
oc0.7200.213
pa-IN0.2860.143
pl0.4620.177
ps0.9170.520
pt0.2220.113
ro0.1670.037
ru0.6360.229
sk0.5220.144
sl0.6670.103
sq0.9260.357
sr0.4440.258
sv-SE0.5860.198
sw0.5670.170
ta0.2550.138
te0.6790.373
tg0.8000.200
th0.6210.218
tk1.0000.503
tt0.6250.220
uk0.8330.186
ur0.6000.234
uz0.7270.192
vi0.3910.228
yi0.9050.520
yo0.9030.360
yue1.0000.235
zh-CN1.0000.229
zh-HK1.0000.214
zh-TW1.0000.250

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/cv22_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-cv22-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
a7916ac

0 моделей