Skip to content
Audio

cdli-impaired-asr-whisper-small

распознавание речи с заиканием на руанда и английском

2 min readupdated

Эта модель автоматического распознавания речи (ASR) создана специально для расшифровки нестандартной речи людей с заиканием на языке киньяруанда и руандийском варианте английского. Она основана на архитектуре Whisper-small (0.24B параметров), предварительно дообученной на стандартной речи на языке руанда, и адаптирована автором emmilly на датасетах CDLI. На выходе система выдает дословную (verbatim) текстовую расшифровку аудио, которая для английского языка легко очищается от повторов и обрывков слов специальной постобработкой. Модель пригодится разработчикам ассистивных технологий, голосовых интерфейсов и приложений для людей с особенностями речи.

Ключевые особенности

  • Двуязычная поддержка: одинаково уверенно распознает киньяруанда (точность определения языка 99.6%) и руандийский английский (99.8%) без зацикливаний в тексте.
  • Специализация на заикании: обучена на реальных записях дикторов с особенностями речи и сохраняет все запинки в сыром виде для последующей программной очистки.
  • Устойчивость к помехам: протестирована на устойчивость к белому, розовому и коричневому шуму, реверберации, телефонному диапазону частот и изменению темпа или высоты голоса.
  • Мобильный формат: помимо стандартных весов для transformers, в репозитории предусмотрена квантованная версия Q4_K для запуска через whisper.cpp на телефонах.

Что можно сделать

  • Встроить в мобильные приложения для коммуникации и голосового ввода с помощью квантованной версии для whisper.cpp, чтобы помочь людям с заиканием общаться комфортнее.
  • Использовать в связке с модулем постобработки cdli_common (функция clean_disfluencies) для автоматического получения плавного, очищенного от повторов английского текста из аудиозаписей.
  • Применять для дословного транскрибирования интервью и исследований в области логопедии и ассистивных речевых технологий.

Пример

Для получения расшифровки через библиотеку transformers при декодировании используется жадный поиск (num_beams=1) с указанием токена языка language="sw" для руанда (согласно соглашению CDLI) и language="en" для английского. Для английского результата рекомендуется пропустить текст через правило clean_disfluencies, чтобы убрать повторы слогов и обрывки слов, тогда как расшифровка на киньяруанда постобработки не требует.

ПодробнееБазовая модель: kinyarwanda-standard-asr-whisper-small (на базе openai/whisper-small, обучена на Common Voice 27.0 и AfriVoice Kinyarwanda).
Метрики на тесте (WER_per_utt): 0.272 (0.185 после очистки) для английского и 0.371 для киньяруанда; 0 зацикливаний (loops) на обоих языках.
Детали обучения: 5000 шагов (лучший чекпоинт на 4000-м), effective batch 32, learning rate 1e-05, сбалансированное смешивание языков.
Ограничения: для декодирования киньяруанда необходимо принудительно передавать тег language="sw"; данные CDLI распространяются по лицензии проекта.
Discuss Telegram 0 31

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 0.9 GB · ready files1.5 GB
  • BF16weights 0.5 GB1.0 GB
  • FP8 / INT8recommendedweights 0.2 GB0.7 GB
  • 4-bitweights 0.1 GB0.6 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # emmilly/cdli-impaired-asr-whisper-small_rw-en_balanced-s1cvafvaug_s42
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download emmilly/cdli-impaired-asr-whisper-small_rw-en_balanced-s1cvafvaug_s42 --local-dir ~/models/cdli-impaired-asr-whisper-small_rw-en_balanced-s1cvafvaug_s42
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

  1. whisper-smallfamily root
  2. kinyarwanda-standard-asr-whisper-small_rw_stage1-cvafv-aug_s42
  3. cdli-impaired-asr-whisper-small_rw-en_balanced-s1cvafvaug_s42

New posts about versions of whisper-small (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 6All on Hugging Face

About the model

emmilly/cdli-impaired-asr-whisper-small_rw-en_balanced-s1cvafvaug_s42
Author
emmilly
Category
Audio
Released
Posted

On NeyroLearn

Hugging Face

310

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments

Language models

Fable

Fable