/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
14 авг 2026

whisper-small-ar-fleurs

Распознавание речиАудио → текст8 профессий

Дообученная на арабском наборе FLEURS модель Whisper Small для транскрибации записанной речи на современном стандартном арабском языке.

18скачиваний за 30 дней0лайковвеса обновлены17 авг 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

Это дообученная Zainab11 модель распознавания речи на базе OpenAI Whisper Small с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Она обучена на арабской части Google FLEURS ar_eg: примерно шесть часов записанной речи на современном стандартном арабском языке от дикторов с египетским акцентом.

Модель предназначена для преобразования арабской речи в текст. На тестовой выборке FLEURS она показала нормализованный WER 19,9% против 28,0% у исходной Whisper Small. На спонтанной египетской разговорной речи результаты заметно хуже: нормализованный WER составил 81,2%, поэтому для такого сценария модель не подходит без дополнительного дообучения. Использование библиотеки Transformers и весов safetensors указано в метаданных; лицензия — Apache-2.0.

Пример использования ограничивает аудио 30 секундами и обрезает более длинные записи; для них README рекомендует разбиение на фрагменты или chunked pipeline. Модель также наследует известное поведение Whisper: повторы и галлюцинации при обработке длинной речи.

Сценарии применения

  • транскрибация записанной речи на арабском языке
  • распознавание речи дикторов с египетским акцентом
  • подготовка арабских аудиозаписей к поиску по тексту

Ограничения

Дообучение выполнено на записанной речи на современном стандартном арабском языке; модель плохо подходит для спонтанного египетского диалекта, шумной телефонной речи и переключения языков. Пример использования обрезает аудио длиннее 30 секунд, а при обработке длинных записей возможны повторы и галлюцинации.

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 Small — Arabic (fine-tuned on FLEURS ar_eg)

openai/whisper-small fine-tuned on the Arabic (ar_eg) subset of Google FLEURS (~6 hours of read MSA speech by Egyptian-accented speakers). Fine-tuning reduces normalized WER on the held-out FLEURS test split from 28.0% → 19.9% (−29% relative), at unchanged inference cost.

Results (FLEURS ar_eg test, 427 samples, corpus-level)

ModelRaw WERNormalized WERNormalized CERRTF (T4, fp16)
openai/whisper-small (zero-shot)33.07%28.02%8.51%0.079
this model25.82%19.90%6.77%0.077
openai/whisper-large-v3-turbo (zero-shot, reference)16.61%10.10%3.13%0.050

Normalization: NFC, diacritics/tatweel removal, alef & ya unification, punctuation stripping — applied identically to references and predictions. One undecodable test sample excluded (documented).

Out-of-domain: spontaneous Egyptian (Casablanca)

Evaluated zero-shot on a 400-clip subset of Casablanca Egypt test (seed 42) — real spontaneous Egyptian dialect, never seen in training. All clips ≤26s (duration-audited: no truncation).

ModelNorm WERNorm CERInsertion rate
whisper-small (zero-shot)103.3%76.1%0.330
this model81.2%50.7%0.066
whisper-large-v3-turbo (zero-shot)71.8%35.9%0.197

Three takeaways: (1) no off-the-shelf model — including turbo — reaches usable accuracy on spontaneous Egyptian; (2) fine-tuning on read MSA still transferred a 21-point WER gain, driven almost entirely by decoding discipline (insertions collapsed 0.33 → 0.07 — the lowest hallucination rate of the three, below even turbo); (3) dialect WER partly reflects non-standardized dialect orthography — CER is the kinder acoustic view. Full analysis: phase 4 report.

Training

  • Data: FLEURS ar_eg train (2,102 clips ≤30s ≈ 6h); labels = dataset's transcription field
  • 5 epochs, lr 1e-5 (warmup 50), fp16, effective batch 16, gradient checkpointing, seed 42
  • Best checkpoint selected by validation WER (epoch 4, val WER 19.33% — consistent with test 19.90%)

Error analysis (worst-50 rematch vs the zero-shot baseline)

Acoustic substitutions improved most (16/19 samples), numbers 7/7, named entities 9/12; rare technical terms unchanged. Number-format gains partly reflect adaptation to FLEURS's orthographic conventions and may not transfer out of domain.

Usage

# pip install transformers torch librosa soundfile

import torch
import librosa
from transformers import WhisperProcessor, WhisperForConditionalGeneration

# 1. Load the model
MODEL_ID = "zainab11/whisper-small-ar-fleurs"
processor = WhisperProcessor.from_pretrained(MODEL_ID)
model = WhisperForConditionalGeneration.from_pretrained(MODEL_ID)

device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device).eval()

# 2. Load any audio file (WAV/MP3/...) — converted to mono 16 kHz automatically
audio_path = "my_audio.wav"          # <-- put your file here
audio, sr = librosa.load(audio_path, sr=16000, mono=True)
print(f"Audio duration: {len(audio)/sr:.2f}s")

# 3. Audio -> log-Mel features (+ attention mask)
inputs = processor(audio, sampling_rate=16000,
                   return_attention_mask=True, return_tensors="pt")
input_features = inputs.input_features.to(device)
attention_mask = inputs.attention_mask.to(device)

# 4. Transcribe (Arabic)
with torch.no_grad():
    ids = model.generate(input_features,
                         attention_mask=attention_mask,
                         language="ar", task="transcribe")

# 5. Decode
print(processor.batch_decode(ids, skip_special_tokens=True)[0])

Note: clips longer than 30s are truncated by this simple example (Whisper's window). For long audio, use the chunked pipeline or segment first.

Intended use & limitations

Fine-tuned on read MSA speech with Egyptian-accented speakers — not spontaneous Egyptian dialect, noisy telephony, or code-switched speech. Inherits Whisper's known long-form repetition/hallucination behavior. As measured on dialectal data above, the model is not suitable for spontaneous Egyptian without further dialect fine-tuning

Part of an end-to-end Arabic ASR study (baselines → normalization → error analysis → fine-tuning): github.com/zainabayman11/whisper-ar-skeleton

🎙️ Try it live: whisper-ar-demo

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
ce59b63

0 моделей