/ Модель

Характеристики

Контекст
1 024 токена
Параметры
29,4 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-tiny
Библиотека
transformers
Опубликована
17 июл 2025

whisper-tiny-cv-only-pt

Распознавание речиАудио → текст3 профессии

Компактная версия Whisper-Tiny, дообученная для транскрибации португальской речи, в том числе на устройствах с ограниченными ресурсами.

24скачиваний за 30 дней0лайковвеса обновлены20 мая 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 yuriyvnv/whisper-tiny-cv-only-pt разработана на основе openai/whisper-tiny и дообучена для распознавания португальской речи. Это компактная модель архитектуры Whisper с 29,4 млн параметров, предназначенная для транскрибации аудио; обучение проводилось на 21 866 записях Common Voice 17.0 на португальском языке без синтетических данных. Модель подходит для быстрого распознавания речи при ограниченных вычислительных ресурсах и для сравнения результатов базовой конфигурации Whisper-Tiny с вариантами, обученными на расширенных данных.

По README, WER на тестовой части Common Voice составляет 30,72%, а на MLS — 45,83%. Это указывает на ограниченную точность и слабую переносимость на аудио из других доменов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация португальской речи из записей Common Voice
  • распознавание португальской речи при ограниченных вычислительных ресурсах
  • быстрое преобразование португалоязычных аудиозаписей в текст
  • сравнение качества базовых компактных моделей распознавания речи

Ограничения

WER на тесте Common Voice составляет 30,72%, а на MLS — 45,83%; качество заметно ограничено по сравнению с более крупными моделями и может снижаться на речи вне домена Common Voice. Модель предназначена для португальского языка.

Для каких профессий подходит3

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 Portuguese - Common Voice Only (Baseline)

This model is a fine-tuned version of openai/whisper-tiny for Portuguese automatic speech recognition (ASR). It was trained exclusively on Common Voice 17.0 Portuguese without any synthetic data augmentation, serving as the baseline for evaluating the impact of synthetic speech on the smallest Whisper architecture.

Purpose

This baseline model establishes the performance of the Whisper-Tiny architecture (39M parameters) using only real, crowdsourced speech data. It serves as a reference point to evaluate:

  • The effectiveness of synthetic data augmentation for the smallest model architecture
  • The fundamental capacity limitations of compact ASR models
  • Comparison with Small and Large-v3 models to understand scaling effects

Key Finding: Unlike Large-v3 models which show significant improvements with synthetic data, Tiny models show only marginal benefits (1.39 percentage points) from synthetic augmentation. The paper states: "This modest gain offers limited justification for the additional data filtering and preprocessing overhead."

Model Details

PropertyValue
Base Modelopenai/whisper-tiny
LanguagePortuguese (pt)
TaskAutomatic Speech Recognition (transcribe)
Parameters39M
Training DataCommon Voice 17.0 Portuguese (Real Speech Only)
Total Training Samples21,866
Sampling Rate16kHz

Evaluation Results

This Model (whisper-tiny-cv-only-pt)

MetricValue
Validation Loss0.4463
Validation WER27.05%
Test WER (Common Voice)30.72%
Test WER (MLS)45.83%
Best CheckpointStep 250
Max Training Steps430

Comparison with Synthetic Data Augmentation (Whisper-Tiny Portuguese)

Training DataMax StepsVal LossVal WERTest WER (CV)Test WER (MLS)
Common Voice Only (Baseline)4300.446327.05%30.72%45.83%
High-Quality (q ≥ 0.8) + CV5750.448126.74%29.33%44.18%
Mid-High (q ≥ 0.5) + CV8050.455026.95%30.11%47.25%
All Synthetic + CV8600.451728.06%29.84%46.54%

Key Performance Characteristics

  • Fastest training: Fewest steps (430) among all Tiny configurations
  • Smallest dataset: Only 21,866 samples (no synthetic augmentation)
  • Reference baseline: 30.72% Test WER on Common Voice
  • Limited cross-domain: 45.83% MLS WER (challenging for Tiny architecture)

Why Synthetic Data Provides Limited Benefit for Tiny Models

The paper explains this architectural limitation:

"The Tiny and Small variants of Whisper exhibit only marginal benefits from synthetic data augmentation, revealing the limitations imposed by reduced model capacity. For instance, the Portuguese Whisper-Tiny model achieves its lowest test WER of 29.33% using the high-quality filtered subset, an improvement of just 1.39 percentage points over the Common Voice baseline of 30.72%."

Key Insight: Compact models (39M params) struggle to disentangle subtle acoustic differences between natural and synthetic speech. The high-quality filtered variant provides only 1.39% improvement—a modest gain that may not justify the additional data processing overhead.

Training Data

Dataset Composition

SourceSamplesDescription
Common Voice 17.0 Portuguese21,866Real crowdsourced speech
Synthetic Data0No synthetic augmentation
Total21,866

Training Procedure

Hyperparameters

ParameterValue
Learning Rate5e-5
Batch Size (Global)256
Warmup Steps200
Max Epochs5
PrecisionBF16
OptimizerAdamW (fused)
Eval Steps50
Metric for Best Modeleval_loss

Training Infrastructure

  • GPU: NVIDIA H200 (140GB VRAM)
  • Operating System: Ubuntu 22.04
  • Framework: Hugging Face Transformers

Usage

Transcription Pipeline

from transformers import pipeline

transcriber = pipeline(
    "automatic-speech-recognition",
    model="yuriyvnv/whisper-tiny-cv-only-pt",
    device="cuda"
)

result = transcriber("path/to/portuguese_audio.wav")
print(result["text"])

Direct Model Usage

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import librosa

processor = WhisperProcessor.from_pretrained("yuriyvnv/whisper-tiny-cv-only-pt")
model = WhisperForConditionalGeneration.from_pretrained("yuriyvnv/whisper-tiny-cv-only-pt")
model.to("cuda")

audio, sr = librosa.load("path/to/portuguese_audio.wav", sr=16000)
input_features = processor(audio, sampling_rate=16000, return_tensors="pt").input_features.to("cuda")

predicted_ids = model.generate(input_features)
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)

Specifying Language

model.generation_config.language = "pt"
model.generation_config.task = "transcribe"

When to Use This Model

This model is ideal when:

  • Maximum resource efficiency: Smallest model size (39M params)
  • Edge deployment: Limited memory and compute available
  • Fast inference: Fastest among Portuguese models
  • Baseline comparison: Reference for evaluating synthetic data impact on Tiny architecture

Consider alternatives based on your needs:

Model Size Comparison

ModelParamsBest ConfigTest WER (CV)Test WER (MLS)Synthetic Benefit
Whisper-Tiny39MHigh-Quality29.33%44.18%Marginal (+1.39%)
Whisper-Small244MCV Only13.87%30.69%None/Negative
Whisper-Large-v31550MHigh-Quality + CV7.94%12.41%Significant (+32.6%)

Limitations

  • Lower accuracy: 30.72% WER (vs 7.94% for Large-v3)
  • Limited capacity: Cannot effectively leverage synthetic data
  • Domain specificity: Optimized for Common Voice-style speech
  • Cross-domain weakness: 45.83% MLS WER shows difficulty adapting

Citation

This model is part of research on WAVe (Word-Aligned Verification) for synthetic speech quality assessment. While the WAVe methodology paper is currently under review, please cite our previous work that motivated this research:

@article{perezhohin2024enhancing,
  title={Enhancing Automatic Speech Recognition: Effects of Semantic Audio Filtering on Models Performance},
  author={Perezhohin, Yuriy and Santos, Tiago and Costa, Victor and Peres, Fernando and Castelli, Mauro},
  journal={IEEE Access},
  year={2024},
  publisher={IEEE}
}
@article{perezhohin2026wave,
  title={WAVe: Word-aligned verification of synthetic speech for ASR},
  author={Perezhohin, Yuriy and Castelli, Mauro},
  journal={Information Sciences},
  pages={123591},
  year={2026},
  publisher={Elsevier}
}

References

License

Apache 2.0

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
2f044c5

0 моделей