/ Модель

Характеристики

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

whisper-tiny-grpo-72a3573-fixed-en-t0.7-lr3e-6

Распознавание речиАудио → текст5 профессий

Компактная англоязычная модель на базе Whisper Tiny для транскрибации речи, дообученная методом GRPO.

8скачиваний за 30 дней0лайковвеса обновлены18 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

wrice/whisper-tiny-grpo-72a3573-fixed-en-t0.7-lr3e-6 — компактная модель распознавания речи на базе Whisper Tiny, дообученная разработчиком wrice методом GRPO (Group Relative Policy Optimization) с комбинированной наградой на основе ошибок слов и символов. Модель предназначена для преобразования аудиозаписей в текст; при обучении использовались англоязычные данные Common Voice 17.0, а язык аудио задавался по локали записи.

На отложенной выборке Common Voice для английского указана WER 0,228. Это экспериментальная проверка концепции: результаты измерены на ограниченной валидационной выборке после нормализации текста и могут отличаться на других аудио, акцентах и в иных предметных областях. Репозиторий использует Transformers и формат safetensors; лицензия — MIT.

Сценарии применения

  • транскрибация англоязычных аудиозаписей
  • распознавание речи в клипах Common Voice
  • преобразование речи в текст в приложениях на Transformers

Ограничения

Это proof of concept, а не настроенная для промышленного использования система. Метрики получены на ограниченной выборке Common Voice; качество может меняться в зависимости от предметной области, акцента, языка и качества аудио.

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-72a3573-fixed-en-t0.7-lr3e-6

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

Best validation (overall): WER 0.228

Training data

Fine-tuned on fixie-ai/common_voice_17_0 — en, streamed and decoded on the fly from a 1024-clip slice. 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
en0.228—

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
Datasetfixie-ai/common_voice_17_0
Learning rate3e-06
Sampling temperature0.7
Group size (generations/clip)8
KL penalty (β)0.04
Batch size (clips/step)4
Max optimizer steps500
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-72a3573-fixed-en-t0.7-lr3e-6")
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
d0f8174

0 моделей