/ Модель

Характеристики

Параметры
406 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
japanese-wav2vec2-large
Библиотека
transformers
Опубликована
13 июн 2026

japanese-wav2vec2-large-rs35kh

Распознавание речиАудио → текст8 профессий

Производная модели reazon-research/japanese-wav2vec2-large-rs35kh. Модель Reazon Research на wav2vec 2.0 Large распознаёт японскую речь и преобразует её в текст.

18скачиваний за 30 дней0лайковвеса обновлены13 июн 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. 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

Карточка модели chenQAQ/japanese-wav2vec2-large-rs35kh на Hugging Face совпадает с карточкой reazon-research/japanese-wav2vec2-large-rs35kh, поэтому описание составлено по ней.

Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов.

В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация японских аудиозаписей
  • распознавание японской речи в длинных записях
  • расшифровка лекций и выступлений на японском языке
  • создание текстовых расшифровок японских аудиоматериалов

Ограничения

Для длинной речи CER на JSUT-BOOK составляет 30,98%, поэтому точность может быть заметно ниже, чем на коротких тестовых наборах. В README приведены результаты только на перечисленных японских тестовых наборах.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

japanese-wav2vec2-large-rs35kh

This model is a wav2vec 2.0 Large fine-tuned on the large-scale Japanese ASR corpus ReazonSpeech v2.0.

Usage

You can use this model through transformers library:

import librosa
import numpy as np
from transformers import AutoProcessor, Wav2Vec2ForCTC

model = Wav2Vec2ForCTC.from_pretrained(
    "reazon-research/japanese-wav2vec2-large-rs35kh",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).to("cuda")
processor = AutoProcessor.from_pretrained("reazon-research/japanese-wav2vec2-large-rs35kh")

audio, _ = librosa.load(audio_filepath, sr=16_000)
audio = np.pad(audio, pad_width=int(0.5 * 16_000))  # Recommend to pad audio before inference
input_values = processor(
    audio,
    return_tensors="pt",
    sampling_rate=16_000
).input_values.to("cuda").to(torch.bfloat16)

with torch.inference_mode():
    logits = model(input_values).logits.cpu()
predicted_ids = torch.argmax(logits, dim=-1)[0]
transcription = processor.decode(predicted_ids, skip_special_tokens=True)

Test Results

We report the Character Error Rate (CER) of our model and the other wav2vec2 families.

Model#Prameters⬇AVERAGE⬇JSUT-BASIC5000⬇Common Voice⬇TEDxJP-10K⬇
reazon-research/japanese-wav2vec2-large-rs35kh319M16.25%11.00%18.23%19.53%
reazon-research/japanese-wav2vec2-base-rs35kh96.7M20.40%13.22%23.76%24.23%
Ivydata/wav2vec2-large-xlsr-53-japanese318M24.23%13.83%18.15%40.72%
jonatasgrosman/wav2vec2-large-xlsr-53-japanese317M31.82%4.25%40.58%50.63%
vumichien/wav2vec2-large-xlsr-japanese318M39.87%4.21%53.29%62.12%

We also report the CER for long-form speech.

Model#Prameters⬇JSUT-BOOK⬇
reazon-research/japanese-wav2vec2-large-rs35kh319M30.98%
reazon-research/japanese-wav2vec2-base-rs35kh96.7M82.84%
Ivydata/wav2vec2-large-xlsr-53-japanese318M65.60%
jonatasgrosman/wav2vec2-large-xlsr-53-japanese317M46.20%
vumichien/wav2vec2-large-xlsr-japanese318M46.52%

Citation

@misc{reazon-research-japanese-wav2vec2-large-rs35kh,
  title={japanese-wav2vec2-large-rs35kh},
  author={Sasaki, Yuta},
  url = {https://huggingface.co/reazon-research/japanese-wav2vec2-large-rs35kh},
  year = {2024}
}

License

Apaceh Licence 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
bc68122

0 моделей