he-cantillation

This model is a fine-tuned version of openai/whisper-medium on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 2.8408
Wer: 94.6548
Avg Precision Exact: 0.0941
Avg Recall Exact: 0.1218
Avg F1 Exact: 0.1041
Avg Precision Letter Shift: 0.1168
Avg Recall Letter Shift: 0.1531
Avg F1 Letter Shift: 0.1297
Avg Precision Word Level: 0.1354
Avg Recall Word Level: 0.1752
Avg F1 Word Level: 0.1488
Avg Precision Word Shift: 0.2611
Avg Recall Word Shift: 0.3573
Avg F1 Word Shift: 0.2941
Precision Median Exact: 0.0513
Recall Median Exact: 0.0769
F1 Median Exact: 0.0615
Precision Max Exact: 1.0
Recall Max Exact: 1.0
F1 Max Exact: 1.0
Precision Min Exact: 0.0
Recall Min Exact: 0.0
F1 Min Exact: 0.0
Precision Min Letter Shift: 0.0
Recall Min Letter Shift: 0.0
F1 Min Letter Shift: 0.0
Precision Min Word Level: 0.0
Recall Min Word Level: 0.0
F1 Min Word Level: 0.0
Precision Min Word Shift: 0.0
Recall Min Word Shift: 0.0
F1 Min Word Shift: 0.0

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05
train_batch_size: 16
eval_batch_size: 2
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 1000
training_steps: 20000
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer	Avg Precision Exact	Avg Recall Exact	Avg F1 Exact	Avg Precision Letter Shift	Avg Recall Letter Shift	Avg F1 Letter Shift	Avg Precision Word Level	Avg Recall Word Level	Avg F1 Word Level	Avg Precision Word Shift	Avg Recall Word Shift	Avg F1 Word Shift	Precision Median Exact	Recall Median Exact	F1 Median Exact	Precision Max Exact	Recall Max Exact	F1 Max Exact
0.1592	0.1502	1000	2.2652	96.3018	0.0694	0.0723	0.0702	0.0967	0.1020	0.0982	0.1222	0.1287	0.1233	0.2750	0.3083	0.2874	0.0408	0.0476	0.0440	1.0	1.0	1.0
0.0531	0.3003	2000	2.1869	94.9407	0.0884	0.0901	0.0888	0.1171	0.1203	0.1176	0.1400	0.1427	0.1397	0.3029	0.3257	0.3105	0.0526	0.0556	0.0537	1.0	1.0	1.0
0.0351	0.4505	3000	2.2520	94.7335	0.1005	0.1002	0.0999	0.1299	0.1303	0.1293	0.1541	0.1524	0.1519	0.3146	0.3288	0.3188	0.0588	0.0606	0.0588	1.0	1.0	1.0
0.0225	0.6006	4000	2.4083	94.2536	0.0988	0.1023	0.1000	0.1257	0.1315	0.1278	0.1485	0.1531	0.1495	0.3094	0.3376	0.3199	0.0588	0.0645	0.0619	0.8333	1.0	0.8333
0.0187	0.7508	5000	2.4580	94.8357	0.0903	0.0927	0.0910	0.1206	0.1251	0.1220	0.1462	0.1498	0.1466	0.3166	0.3405	0.3250	0.0526	0.0588	0.0548	1.0	1.0	1.0
0.0184	0.9009	6000	2.4746	94.2536	0.1009	0.1047	0.1021	0.1297	0.1358	0.1315	0.1539	0.1606	0.1554	0.3207	0.3522	0.3317	0.0625	0.0714	0.0645	1.0	1.0	1.0
0.0123	1.0511	7000	2.4247	93.6321	0.1010	0.1151	0.1060	0.1285	0.1477	0.1348	0.1499	0.1715	0.1568	0.3031	0.3655	0.3245	0.0588	0.0769	0.0645	1.0	1.0	1.0
0.0075	1.2012	8000	2.4427	93.0880	0.1051	0.1187	0.1098	0.1328	0.1518	0.1389	0.1533	0.1746	0.1599	0.3065	0.3661	0.3267	0.0606	0.0795	0.0690	1.0	1.0	1.0
0.0095	1.3514	9000	2.4336	93.8845	0.1049	0.1199	0.1103	0.1325	0.1528	0.1395	0.1540	0.1760	0.1609	0.3059	0.3700	0.3287	0.0606	0.0795	0.0690	1.0	1.0	1.0
0.0034	1.5015	10000	2.5451	94.2798	0.0928	0.1197	0.1023	0.1156	0.1514	0.1277	0.1334	0.1737	0.1467	0.2597	0.3576	0.2926	0.0513	0.08	0.0615	1.0	1.0	1.0
0.0108	1.6517	11000	2.5198	93.9239	0.0949	0.1097	0.1001	0.1187	0.1392	0.1257	0.1397	0.1618	0.1463	0.2837	0.3470	0.3046	0.05	0.0690	0.0571	1.0	1.0	1.0
0.0062	1.8018	12000	2.5299	93.4104	0.1075	0.1185	0.1114	0.1344	0.1496	0.1394	0.1562	0.1735	0.1616	0.3054	0.3601	0.3247	0.0588	0.0741	0.0654	1.0	1.0	1.0
0.0098	1.9520	13000	2.6702	94.7715	0.0914	0.1172	0.1009	0.1133	0.1474	0.1255	0.1318	0.1704	0.1449	0.2629	0.3586	0.2958	0.05	0.0714	0.0588	1.0	1.0	1.0
0.0029	2.1021	14000	2.6491	94.6285	0.0972	0.1269	0.1076	0.1184	0.1579	0.1319	0.1361	0.1809	0.1508	0.2613	0.3698	0.2975	0.0541	0.0870	0.0645	1.0	1.0	1.0
0.0027	2.2523	15000	2.7955	94.4928	0.0943	0.1149	0.1017	0.1179	0.1462	0.1280	0.1376	0.1676	0.1472	0.2708	0.3525	0.2989	0.05	0.0714	0.0580	1.0	1.0	1.0
0.0047	2.4024	16000	2.9242	95.2923	0.0856	0.1242	0.0986	0.1045	0.1535	0.1207	0.1204	0.1750	0.1379	0.2282	0.3503	0.2669	0.0435	0.0769	0.0541	1.0	1.0	1.0
0.003	2.5526	17000	2.8360	94.2200	0.0998	0.1233	0.1084	0.1231	0.1546	0.1344	0.1422	0.1766	0.1537	0.2795	0.3672	0.3091	0.0541	0.08	0.0635	1.0	1.0	1.0
0.0041	2.7027	18000	2.8231	94.8605	0.0889	0.1136	0.0979	0.1112	0.1436	0.1227	0.1305	0.1667	0.1428	0.2561	0.3469	0.2874	0.0460	0.0714	0.0556	1.0	1.0	1.0
0.0012	2.8529	19000	2.9125	95.0735	0.0881	0.1236	0.1007	0.1093	0.1547	0.1252	0.1272	0.1778	0.1442	0.2429	0.3621	0.2828	0.0455	0.08	0.0580	1.0	1.0	1.0
0.0031	3.0030	20000	2.8408	94.6548	0.0941	0.1218	0.1041	0.1168	0.1531	0.1297	0.1354	0.1752	0.1488	0.2611	0.3573	0.2941	0.0513	0.0769	0.0615	1.0	1.0	1.0

Framework versions

Transformers 4.49.0
Pytorch 2.6.0+cu126
Datasets 2.12.0
Tokenizers 0.20.1

cantillation
/

Teamim-medium_WeightDecay-0.005_Augmented__date-08-04-2025

he-cantillation

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Model tree for cantillation/Teamim-medium_WeightDecay-0.005_Augmented__date-08-04-2025

Evaluation results