/ Модель

Характеристики

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

whisper-tiny-grpo-4bddbd7-cv22-tiny-klbeta02

Распознавание речиАудио → текст8 профессий

Компактная дообученная модель Whisper для транскрибации речи на множестве языков.

11скачиваний 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

Модель wrice/whisper-tiny-grpo-4bddbd7-cv22-tiny-klbeta02 — компактная модель распознавания речи на архитектуре Whisper, дообученная автором с помощью GRPO и смешанной функции вознаграждения на основе ошибок слов и символов. Она предназначена для преобразования аудиозаписей в текст; обучающие данные взяты из Common Voice для 77 языковых локалей, а язык каждого аудиофрагмента при обучении задавался по локали. В README приведены результаты валидации на срезе Common Voice: общий WER 0,656 и CER 0,270 после нормализации текста.

Модель можно использовать для транскрибации аудиофайлов через Transformers pipeline. Это экспериментальный proof of concept, а не настроенная для производства система; фактическое качество зависит от предметной области, акцента, языка и качества аудио. Модель распространяется по лицензии MIT.

Сценарии применения

  • транскрибация аудиозаписей
  • распознавание речи на языках Common Voice
  • получение текста из аудиофайлов через Transformers

Ограничения

Это proof of concept, не настроенный для производственного применения. Качество в реальных условиях зависит от предметной области, акцента, языка и качества аудио; указанные WER и CER измерены на валидационном срезе Common Voice после нормализации текста.

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-4bddbd7-cv22-tiny-klbeta02

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 0.656, CER 0.270

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
af0.8000.253
am1.0000.831
ar0.6470.253
as0.4220.207
az0.7670.220
ba0.9060.349
be0.7410.203
bg0.8000.218
bn0.5000.237
br0.9020.423
ca0.7200.249
cs0.5940.125
cy0.5750.206
da0.5770.271
de0.3270.123
el0.5000.130
en0.3660.180
es0.5430.201
et1.0560.243
eu0.6250.158
fa1.0330.456
fi0.6920.173
fr0.3250.155
gl0.3120.081
ha0.5160.134
he0.8820.366
hi0.3020.154
ht0.9050.389
hu1.0560.703
hy-AM0.9600.342
id0.6150.270
is0.9350.414
it0.5530.132
ja1.0000.542
ka1.0950.528
kk0.7000.224
ko0.5220.232
lo0.8790.648
lt0.9130.411
lv0.7500.175
mk0.5450.167
ml0.6510.439
mn0.7060.283
mr0.2290.104
mt0.7190.220
ne-NP0.4600.223
nl0.5710.214
nn-NO0.9440.345
oc0.7600.248
pa-IN0.4860.364
pl0.5770.200
ps0.7920.539
pt0.3330.113
ro0.4440.083
ru0.4550.174
sk0.7830.242
sl0.6670.192
sq0.8520.462
sr0.4440.226
sv-SE0.6550.285
sw0.7330.201
ta0.3090.185
te0.5710.288
tg0.9000.304
th0.6210.211
tk1.0000.490
tt0.8750.317
uk0.7500.193
ur0.6000.252
uz0.8180.226
vi0.4780.293
yi0.9050.431
yo0.9030.387
yue1.2000.255
zh-CN1.0000.271
zh-HK1.0000.286
zh-TW1.0000.292

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)0.2
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-4bddbd7-cv22-tiny-klbeta02")
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
75efc9d

0 моделей