/ Модель

Характеристики

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

whisper-tiny-grpo-2277b09-cv22-tiny-sftanneal

Распознавание речиАудио → текст4 профессии

Экспериментальная версия Whisper tiny для распознавания речи и транскрибации аудио, дообученная методом GRPO на данных 77 локалей Common Voice.

12скачиваний за 30 дней0лайковвеса обновлены1 июл 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

Это компактная модель распознавания речи, созданная дообучением OpenAI Whisper tiny командой wrice с помощью GRPO — оптимизации политики по групповому вознаграждению. Она преобразует аудио в текст и предназначена для транскрибации записей на языках Common Voice; при обучении использован набор cv22_index со всеми 77 локалями Common Voice, а язык клипа задавался по локали.

Модель обучали выбирать транскрипции по смешанной оценке на основе WER, CER и штрафов за длину и повторы. В README указаны лучшие значения на проверочной выборке: WER 0,765 и CER 0,344 в целом по 77 языкам. Модель доступна для использования через библиотеку Transformers и распространяется по лицензии MIT.

Это экспериментальная модель и доказательство концепции, а не настроенная для промышленного применения система. Результаты приведены для нормализованного текста на отложенной выборке Common Voice; точность в реальных условиях зависит от предметной области, акцента, языка и качества аудио.

Сценарии применения

  • транскрибация аудиозаписей Common Voice
  • автоматическое распознавание речи на поддерживаемых языках
  • получение черновой расшифровки аудиоклипов
  • сравнение GRPO-обучения для распознавания речи

Ограничения

Это доказательство концепции, а не настроенная для промышленного применения система. Точность в реальных условиях зависит от предметной области, акцента, языка и качества аудио; указанные метрики получены на нормализованном тексте проверочной выборки Common Voice.

Для каких профессий подходит4

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-2277b09-cv22-tiny-sftanneal

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 0.765, CER 0.344

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
af0.8670.338
am1.0000.870
ar1.7060.400
as0.9060.543
az0.8140.277
ba1.0000.493
be0.9260.288
bg0.8000.242
bn0.9060.521
br0.9510.487
ca0.6800.298
cs0.6880.161
cy0.7750.441
da0.8850.388
de0.2240.083
el0.5000.123
en0.2440.101
es0.4780.161
et1.1300.322
eu0.9170.200
fa0.9670.497
fi0.5380.143
fr0.3750.120
gl0.5620.115
ha0.8060.204
he1.0000.393
hi0.4340.228
ht0.9050.400
hu1.0560.771
hy-AM1.1600.772
id0.9230.432
is0.9030.478
it0.5790.140
ja1.0000.583
ka1.0000.939
kk1.0000.467
ko0.4350.232
lo1.0000.868
lt1.0000.470
lv0.8330.222
mk0.7270.226
ml0.9070.500
mn0.9410.511
mr0.4570.234
mt1.0310.356
ne-NP0.5200.277
nl0.4760.151
nn-NO0.8890.371
oc0.8800.312
pa-IN0.8290.519
pl0.4620.162
ps0.8750.500
pt0.2780.113
ro0.4440.139
ru0.5760.225
sk0.8700.307
sl0.4170.103
sq0.9260.509
sr0.4440.226
sv-SE0.5170.215
sw0.9330.314
ta0.4550.246
te0.8570.559
tg0.7000.252
th0.6550.256
tk1.0000.483
tt0.8750.354
uk0.5830.174
ur0.8000.252
uz1.0000.342
vi0.4350.250
yi1.0950.585
yo1.0000.587
yue1.0000.451
zh-CN1.0000.312
zh-HK1.0000.643
zh-TW0.6670.167

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-2277b09-cv22-tiny-sftanneal")
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
bbabcaa

0 моделей