facebook/mms-300m finetuned model for Japanese romaji karaoke lyrics forced alignment (notebook, trackio).
Характеристики
- Параметры
- 403 млн
- Лицензия
- CC BY-NC-SA 4.0
- Архитектура
- wav2vec2 · dense
- Базовая модель
- mms-300m
- Библиотека
- transformers
- Опубликована
- 16 мая 2026
Ссылки
mms-300m-ForcedAligner-karaoke-ja-Latn
Дообученная Wav2Vec2-модель для выравнивания ромадзи-текстов японских песен с аудио караоке.
2 671скачиваний за 30 дней3лайкавеса обновлены29 мая 2026
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Тесты пользователейпока нет
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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
Модель NextFire/mms-300m-ForcedAligner-karaoke-ja-Latn — дообученная версия facebook/mms-300m для принудительного выравнивания японских текстов песен, записанных ромадзи, с аудио караоке. Она основана на архитектуре Wav2Vec2 с CTC и содержит около 402,7 млн параметров; для работы использует аудио и соответствующий текстовый сценарий выравнивания.
Модель предназначена для определения временного соответствия между строками или фрагментами ромадзи и звучанием японской песни, например для подготовки караоке-таймингов. В карточке указано дообучение на датасете NextFire/karaoke-mugen-timings. Метаданные относят её к распознаванию речи, однако специализация по README — выравнивание текста с аудио.
Модель доступна в формате Safetensors через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предписывает распространять производные работы на тех же условиях. Карточка не сообщает точность выравнивания и ограничения по длительности или типу аудио.
Сценарии применения
- выравнивание ромадзи-строк с записью японской песни
- определение таймингов слов и фраз для караоке
- подготовка временной разметки караоке-треков
- сопоставление текста песни с аудиозаписью
Ограничения
Модель специализируется на японских песнях и текстах в ромадзи; её пригодность для обычной речи и других языков не подтверждена. В карточке не приведены метрики точности или ограничения по аудио.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers
Подбираем GPU…
- Класс архитектуры
- Wav2Vec2ForCTC
- Ревизия весов
- 2ab2b5f