/ Модель

Характеристики

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

whisper-tiny-grpo-5e2f49e-cv22-tiny-sftadaptive

Распознавание речиАудио → текст5 профессий

Компактная Whisper Tiny, дообученная методом GRPO для распознавания речи в аудиозаписях на данных Common Voice.

9скачиваний за 30 дней0лайковвеса обновлены2 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-5e2f49e-cv22-tiny-sftadaptive — компактная модель распознавания речи на базе Whisper Tiny от OpenAI, дообученная автором репозитория методом GRPO с комбинированной наградой за ошибки слов и символов. Она предназначена для преобразования аудио в текст; при обучении использовался набор cv22_index с данными Common Voice для 78 языковых локалей, а язык клипа задавался по локали набора данных.

Для контрольной выборки сообщаются общие WER 0,671 и CER 0,290 после нормализации текста. Модель доступна в формате safetensors через Transformers и распространяется по лицензии MIT. Это экспериментальная проверка метода обучения, а качество в реальных условиях зависит от языка, предметной области, акцента и качества аудио.

Сценарии применения

  • транскрибация аудиозаписей Common Voice
  • распознавание речи в многоязычных аудиоклипах
  • получение черновой расшифровки речи для последующей проверки

Ограничения

В README показаны результаты на отложенной выборке Common Voice после нормализации; качество в реальных условиях зависит от языка, предметной области, акцента и качества аудио. Автор характеризует рецепт GRPO как proof of concept, а не настроенную производственную систему.

Для каких профессий подходит5

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-5e2f49e-cv22-tiny-sftadaptive

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 78 languages): WER 0.671, CER 0.290

Training data

Fine-tuned on cv22_index — all 78 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
af0.8670.360
am1.0000.814
ar0.5880.232
as0.5940.307
az0.8600.257
ba0.8440.359
be0.8150.277
bg0.7500.206
bn0.4690.242
br0.8290.376
ca0.6600.218
cs0.6560.130
cy0.6500.240
da0.6150.264
de0.3060.103
el0.4090.101
en0.2930.134
es0.5870.221
et0.9810.296
eu0.7080.184
fa0.9670.456
fi0.5770.153
fr0.4480.141
gl0.4800.124
ha0.4090.135
he0.8820.366
hi0.3210.154
ht0.9050.411
hu1.0560.746
hy-AM1.0000.480
id0.8460.486
is0.9350.419
it0.5530.153
ja1.0000.396
ka1.0000.822
kk0.7000.290
ko0.5220.244
lo0.9090.755
lt1.0000.368
lv0.7500.190
mk0.7270.194
ml0.5350.337
mn0.8530.330
mr0.2000.091
mt0.8120.254
ne-NP0.4800.241
nl0.4760.167
nn-NO0.8330.336
oc0.7200.270
pa-IN0.4000.195
pl0.6150.215
ps0.8330.529
pt0.3330.155
ro0.1670.046
ru0.6360.221
sk0.8260.281
sl0.5830.167
sq0.9630.450
sr0.4440.226
sv-SE0.4830.157
sw0.7670.214
ta0.4000.223
te0.6790.356
tg0.8000.270
th0.6550.248
tk1.0950.469
tr0.7500.276
tt1.0000.378
uk0.6250.205
ur0.6800.280
uz0.8180.260
vi0.5220.315
yi0.8100.439
yo0.9350.440
yue1.0000.275
zh-CN1.0000.271
zh-HK1.0000.321
zh-TW0.6670.250

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-5e2f49e-cv22-tiny-sftadaptive")
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
016f4fb

0 моделей