/ Модель

Характеристики

Библиотека
nemo
Опубликована
11 июл 2026

Ja-FastConformer-CTC-25Hz-Streaming-100M

Распознавание речиАудио → текст

Потоковая модель FastConformer CTC для распознавания японской речи и преобразования её в текст.

0скачиваний за 30 дней0лайковвеса обновлены11 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Atotti разработала японскую модель автоматического распознавания речи на архитектуре FastConformer CTC с нуля, используя NVIDIA NeMo и данные ReazonSpeech. Модель содержит около 112 млн параметров; её энкодер включает 17 слоёв, скрытый размер 512 и 8 голов внимания. Она принимает монофоническое аудио с частотой 16 кГц и выдаёт японскую транскрипцию. Токенизатор SentencePiece BPE содержит 3000 токенов.

Модель рассчитана на потоковое распознавание: причинные свёртки и понижение частоты дискретизации сочетаются с контекстом внимания [70, 0], а частота кадров энкодера составляет 25 Гц. Для инференса README рекомендует артефакт model.nemo; также доступны обучающий чекпойнт и файлы токенизатора. В оценках на ReazonSpeech validation, JSUT basic5000 и Common Voice 8.0 Japanese показатель CER составил соответственно 0,1659, 0,1905 и 0,2135.

Модель предназначена для транскрибирования японской речи, в том числе в потоковом режиме. Она может пропускать или заменять слова, особенно в коротких высказываниях, именах собственных, шумной речи, диалектах и темах, отличающихся от обучающих данных. Не следует использовать её результаты как единственное основание для решений с высокими последствиями. Лицензия в предоставленных данных не указана.

Сценарии применения

  • потоковая транскрипция японской речи
  • распознавание японской речи в аудиозаписях
  • создание японских субтитров
  • транскрибирование японских подкастов и интервью

Ограничения

Возможны пропуски и замены, особенно для коротких высказываний, имён собственных, шумной речи, диалектов и тематик, отличающихся от обучающих данных. Не используйте результат как единственное основание для решений с высокими последствиями.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Japanese 25 Hz Causal FastConformer CTC

Japanese causal ASR model trained from scratch on ReazonSpeech using NVIDIA NeMo. The recommended artifact for inference is model.nemo. best.ckpt is also included for training resumption and inspection.

Model details

  • Architecture: NeMo EncDecCTCModelBPE (FastConformer CTC)
  • Parameters: 111,675,065
  • Encoder: 17 layers, hidden size 512, 8 attention heads
  • Audio: mono 16 kHz
  • Encoder frame rate: 25 Hz (10 ms feature stride, 4x subsampling)
  • Causality: causal downsampling and convolution, attention context [70, 0]
  • Tokenizer: Japanese SentencePiece BPE, 3,000 tokens
  • Training data: ReazonSpeech

Files

  • model.nemo: self-contained inference artifact with weights, configuration, and tokenizer
  • best.ckpt: Lightning/NeMo training checkpoint from epoch 12
  • training/hparams.yaml: training-time model and optimizer configuration
  • tokenizer/: unpacked SentencePiece tokenizer files
  • eval/: evaluation metrics produced for the selected checkpoint

For portable inference, prefer model.nemo. The training checkpoint retains local training-data paths in its saved hyperparameters and may require path overrides when resuming on another machine.

Usage

from huggingface_hub import hf_hub_download
import nemo.collections.asr as nemo_asr

path = hf_hub_download(
    repo_id="Atotti/Ja-FastConformer-CTC-25Hz-Streaming-100M",
    filename="model.nemo",
)
model = nemo_asr.models.ASRModel.restore_from(path, map_location="cuda")
model.eval()

texts = model.transcribe(["audio.wav"])
print(texts[0])

The model itself is causal. NeMo's regular transcribe() interface processes a complete audio file; an application that emits partial results in real time must additionally use a chunked/cache-aware inference loop.

Evaluation

All normalized results use the project's ctc_ja_basic Japanese normalization.

DatasetSamplesCERExact match
ReazonSpeech validation10,0000.16590.2967
JSUT basic50005,0000.19050.1074
Common Voice 8.0 Japanese4,4830.21350.1383

Japanese transcripts are normalized without word-boundary spaces, so the recorded WER mostly behaves like an utterance-level error measure. CER is the more informative metric.

Integrity

  • model.nemo SHA-256: 2ece5069990cf989338f386fe1cb4d4b0bab2f36c18257953184648812760b3e
  • best.ckpt SHA-256: 3bda4b83250f7737eba29e1d828e8aa6060e6bfc58c06b41d9fc7476b5af1c13

Limitations

The model may produce omissions or substitutions, especially for short utterances, proper nouns, noisy speech, dialects, and domains unlike the training data. Do not use its output as the sole basis for safety-critical or high-impact decisions.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
873aca2

0 моделей