Виҫӗ модель

Пӗр корпус — Whisper-ӑн виҫӗ виҫи. Пур цифра та Common Voice тест пайӗнчен: 1 288 калани, beam-5, орфографи WER тата CER. Карточка модель страницине уҫать.

whisper-small чӑвашла · 244M
ҫӑмӑл
20.3% WER
0%30%
CER5.35%
WER (норм.)15.4%
Никӗс модельwhisper-small
Чек-поинт≈0.49 GB
HuggingFace
whisper-medium чӑвашла · 769M
вӑтам
17.28% WER
0%30%
CER3.83%
WER (норм.)12.36%
Никӗс модельwhisper-medium
Чек-поинт≈1.5 GB
HuggingFace
whisper-large-v3-turbo чӑвашла · 809M
тӗрӗс
16.02% WER
0%30%
CER3.63%
WER (норм.)11.13%
Хӑвӑртлӑх≈13× RT
Чек-поинт≈1.6 GB
HuggingFace

Мӗн пичетленӗ

3 модельWhisper small / medium / turbo, чӑвашла валли вӗрентнӗ
16.02%чи лайӑх WER (turbo); нормализаци хыҫҫӑн 11.13%
49.5 сех.уҫӑ ҫӑлкуҫсенчен пуҫтарнӑ паллӑ тунӑ пуплев — вӗрентӳ корпусӗ
1 080 сех.turbo модель хушса хӑй тӗллӗн паллӑ тунӑ

Пурте HuggingFace ҫинче уҫӑ, SpeechCollector организаци айӗнче: модельсене антарса яма пулать. Метрикӑсене, тапратмалли тӗслӗхе тата репозиторий ҫине ссылкӑна курма модель карточки ҫине пусӑр.