Aisar-medium

Small-па танлаштарсан сас палли йӑнӑшӗ чылай чакать (CER 3.83 % — 5.35 % вырӑнне): модель чӑваш ҫырӑвӗн диакритикипе — ӑ, ӗ, ҫ, ӳ — чылай тирпейлӗрех ӗҫлет, вӑрӑм сӑмахсенче сайрарах такӑнать.

Тест пайӗнчи пӗтӗмлетӳ — 17.28 % WER (нормализаци хыҫҫӑн 12.36 %), чек-поинчӗ — гигабайт ҫурӑ яхӑн: техника требованийӗсем енчен чӑн-чӑн вӑтам ҫул.

Мӗнле вӗрентнӗ

Никӗсӗ — openai/whisper-medium, 769M параметр. Генераци чӗлхи токенӗ — russian: Whisper словарӗнче чӑваш чӗлхи ҫук. Кӗрекен сасӑ — 16 кГц, моно. Пахалӑха Common Voice тест пайӗнче виҫнӗ: 1 288 калани, beam-5.

Хӑвӑрт пуҫлани

Модель 🤗 transformers урлӑ темиҫе йӗркепех ӗҫлеме пуҫлать. 30 ҫеккунтлӑ касни кирек мӗнле вӑрӑм ҫырӑва та палласа илме май парать, beam-5 — ҫӳлти цифрӑсене панӑ настройка. Вӑрӑм спонтанлӑ ҫырӑвсем валли temperature-fallback комментарине уҫӑр: вӑл йывӑр пайсенчи зацикливанисенчен хӳтӗлет.

import torch
from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="SpeechCollector/whisper-chuvash-medium",
    torch_dtype=torch.float16,   # use torch.float32 on CPU
    device="cuda:0",             # or "cpu"
    chunk_length_s=30,           # handles audio longer than 30 s
    stride_length_s=(5, 5),
)

out = asr(
    "speech.wav",  # any sample rate — the pipeline resamples to 16 kHz
    generate_kwargs={
        "language": "russian",   # no Chuvash token in Whisper vocab
        "task": "transcribe",
        "num_beams": 5,          # quality mode; num_beams=1 is ~1.7x faster
        # For long spontaneous audio, add temperature fallback —
        # it tames repetition loops on hard segments:
        # "temperature": (0.0, 0.2, 0.4, 0.6, 0.8, 1.0),
        # "compression_ratio_threshold": 2.4,
        # "logprob_threshold": -1.0,
        # "no_speech_threshold": 0.6,
    },
)
print(out["text"])

Палласа илӳ тӗслӗхӗсем

Тест пайӗнчи ҫырса илнисене итлӗр те виҫӗ модель панӑ расшифровкӑсене танлаштарӑр — «Тӗслӗхсем» страницӑра.

Репозиторийӗ халлӗхе приватлӑ — виҫисене пичетленӗ чух уҫӑлӗ; ҫӳлти плашкӑна сӑнаса тӑрӑр.

Лицензи CC BY-NC 4.0: тӗпчев тата коммерциллӗ мар усӑ валли ирӗклӗ. Коммерциллӗ усӑ — SpeechCollector пӗрлӗхӗпе уйрӑм килӗшӳ тӑрӑх, Telegram урлӑ ҫырӑр. Модельпе ҫынсене вӑрттӑн сӑнама тата йӗрлеме усӑ курма ыйтмастпӑр.