/ Модель

Характеристики

Контекст
1 024 токена
Параметры
29,4 млн
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-tiny
Библиотека
transformers
Опубликована
13 июл 2025

whisper-tiny-mixed-pt

Распознавание речиАудио → текст3 профессии

Дообученная на португальской речи Whisper-Tiny преобразует аудио в текст, хотя синтетические данные не улучшили качество на междоменном тесте.

48скачиваний 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

yuriyvnv выпустил дообученную на португальской речи модель Whisper-Tiny для автоматического распознавания речи. В обучении использованы данные Common Voice 17.0 и синтетические речевые данные, отфильтрованные по порогу качества q ≥ 0,5. Модель содержит 29,4 млн параметров и представлена в формате safetensors; лицензия — Apache-2.0.

Модель предназначена для транскрибации аудио на португальском языке. На тесте Common Voice указана WER 30,11%; на тесте MLS — 47,25%, что хуже результата базовой Whisper-Tiny на этом наборе. Эксперимент показывает, что добавление синтетических примеров среднего и высокого качества дало лишь небольшой выигрыш на Common Voice и снизило качество переноса на другой корпус. Результаты стоит проверять на целевых аудио и домене перед практическим применением.

Сценарии применения

  • транскрибация аудио на португальском языке
  • распознавание португальской речи в записях общего назначения
  • эксперименты с синтетическими данными для обучения компактных ASR-моделей

Ограничения

На тесте MLS WER составила 47,25%, хуже базовой модели с 45,83%; выигрыш на Common Voice невелик. Качество может зависеть от домена и состава аудиоданных.

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 - Mid-High Quality Filtered Synthetic Data

This model is a fine-tuned version of openai/whisper-tiny for Portuguese automatic speech recognition (ASR). It was trained on Common Voice 17.0 Portuguese combined with WAVe-filtered synthetic speech data using a balanced quality threshold (q ≥ 0.5), including both high-quality and medium-quality samples.

Purpose

This model tests whether the mid-high quality threshold (q ≥ 0.5) that works optimally for Large-v3 models can benefit Tiny architectures. The results reveal a critical architectural finding:

Key Finding: The balanced threshold that produces the best cross-domain results for Large-v3 actually hurts Tiny performance, demonstrating that optimal filtering thresholds are architecture-dependent.

MetricCV-Only BaselineThis Model (Mid-High)Large-v3 (Same Threshold)
Test WER (CV)30.72%30.11% (+2.0%)8.33% (+29.3%)
Test WER (MLS)45.83%47.25% (-3.1%)10.27% (+32.9%)

While Large-v3 achieves its best cross-domain performance with this threshold, Tiny shows degraded MLS performance despite marginal in-domain improvement.

Model Details

PropertyValue
Base Modelopenai/whisper-tiny
LanguagePortuguese (pt)
TaskAutomatic Speech Recognition (transcribe)
Parameters39M
Training DataCommon Voice 17.0 + Mid-High Quality Synthetic (q ≥ 0.5)
Total Training Samples41,047
Sampling Rate16kHz

Evaluation Results

This Model (whisper-tiny-mixed-pt)

MetricValue
Validation Loss0.4550
Validation WER26.95%
Test WER (Common Voice)30.11%
Test WER (MLS)47.25%
Best CheckpointStep 450
Max Training Steps805

Comparison with Other Training Configurations (Whisper-Tiny Portuguese)

Training DataMax StepsVal LossVal WERTest WER (CV)Test WER (MLS)
Common Voice Only4300.446327.05%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

  • Marginal in-domain gain: 30.11% vs 30.72% baseline (+2.0% relative)
  • Worse cross-domain: 47.25% MLS WER vs 45.83% baseline (-3.1%)
  • Largest filtered dataset: 19,181 synthetic samples used (87.3%)
  • Most steps among filtered: 805 max steps for suboptimal results
  • Demonstrates threshold dependency: What works for Large-v3 doesn't work for Tiny

Why Mid-High Filtering Hurts Tiny Models

The paper provides insight into this phenomenon:

"Compact models, with fewer parameters, struggle to disentangle the subtle acoustic differences between natural and synthetic speech. Unlike the Large-V3 model, which can exploit its deeper representational hierarchy to extract meaningful patterns, smaller models become overwhelmed by increased acoustic variability."

For Tiny models:

  • Adding medium-quality synthetic samples (0.5 ≤ q < 0.8) introduces noise the model cannot filter
  • The larger dataset size (41k vs 22k) creates more confusion rather than benefit
  • Cross-domain performance actually degrades (47.25% vs 45.83%)
  • Only strict high-quality filtering (q ≥ 0.8) provides improvement

Tiny vs Large: Same Threshold, Opposite Results

ModelMid-High (q ≥ 0.5) ConfigTest WER (CV)Test WER (MLS)vs Baseline
Whisper-Tiny19,181 synthetic30.11%47.25%CV worse, MLS worse
Whisper-Large-v319,181 synthetic8.33%10.27%CV better, MLS best

This stark contrast demonstrates that optimal data augmentation strategies are architecture-specific.

Training Data

Dataset Composition

SourceSamplesDescription
Common Voice 17.0 Portuguese21,866Real speech from Mozilla's crowdsourced dataset
Synthetic Transcript PT (q ≥ 0.5)19,181WAVe-filtered TTS audio (high + medium quality)
Total41,047

WAVe Quality Distribution (Portuguese Synthetic Data)

Quality LevelSamplesPercentageUsed in This Model
High (q ≥ 0.8)7,31233.3%✓
Medium (0.5 ≤ q < 0.8)11,86954.0%✓
Low (q < 0.5)2,78712.7%✗

This threshold retains 87.3% of the synthetic dataset—too much variability for Tiny's limited capacity.

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-mixed-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-mixed-pt")
model = WhisperForConditionalGeneration.from_pretrained("yuriyvnv/whisper-tiny-mixed-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

Generally not recommended for production. This model is primarily useful for:

  • Research purposes: Understanding how filtering thresholds interact with model capacity
  • Ablation studies: Complete picture of threshold effects across architectures
  • Demonstrating architecture-dependency: Showing that optimal strategies differ by model size

For production use:

Research Implications

This model provides evidence for a key finding:

Filtering thresholds that optimize large models may harm smaller ones.

For practitioners:

  1. Don't assume threshold transferability: Optimal q threshold depends on model size
  2. Tiny/Small need stricter filtering: Only q ≥ 0.8 helps; q ≥ 0.5 hurts
  3. Large models are more robust: Can leverage medium-quality data effectively
  4. Test before deploying: Validate augmentation strategies on target architecture

Limitations

  • Worse MLS than baseline: 47.25% vs 45.83% (degraded cross-domain)
  • Marginal in-domain improvement: Not worth the additional complexity
  • Wasted compute: 87% more training steps for mixed results
  • Domain specificity: Optimized for general Portuguese

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
0876d9a

0 моделей