/ Модель

Характеристики

Параметры
905 млн
Архитектура
whisper · dense
Опубликована
15 дек 2024

whisper-ja-anime-v0.1

Распознавание речиАудио → текст3 профессии

Экспериментальная японская модель распознавания речи на основе Whisper, настроенная на транскрибацию аниме и близкого аудио.

127скачиваний за 30 дней22лайкавеса обновлены11 апр 2025

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

efwkjn/whisper-ja-anime-v0.1 — экспериментальная модель распознавания речи на основе Whisper, ориентированная на японскую речь и аудио из аниме и близких к нему областей. По карточке, это вариант с замороженным turbo-энкодером и двумя слоями декодера; автор сообщает об обучении в течение 2^19 шагов с размером пакета 8 и отмечает, что модель, вероятно, обучена недостаточно. В метаданных указаны архитектура Whisper, класс WhisperForConditionalGeneration и 905,2 млн параметров.

Модель предназначена для японской транскрибации, в том числе длинных записей и аудио с аниме-сценами. Автор стремился сделать её заменой Whisper turbo и снизить галлюцинации. На тестах результаты на аниме-наборах были сопоставимы с anime-whisper или хуже, а на TEDxJP модель немного уступала turbo. В README также отмечены галлюцинации на некоторых аудиозаписях и трудности с акцентами. Файлы опубликованы в формате safetensors; сведения о лицензии в предоставленных материалах отсутствуют.

Сценарии применения

  • Транскрибация реплик из аниме на японском языке
  • Распознавание японской речи в длинных аудиозаписях
  • Создание черновых японских субтитров для видео
  • Транскрибация аудио с японскими игровыми и аниме-сценами

Ограничения

Автор считает модель, вероятно, недостаточно обученной. В тестах она уступала или была сопоставима с другими моделями на аниме-аудио, немного уступала turbo на TEDxJP, а также склонна к галлюцинациям на отдельных записях и испытывает трудности с акцентами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

WIP turbo encoder frozen + 2 decoder layers. Trained 2^19 steps batch size 8 (~160 hours on 3060). Almost certainly undertrained.

Goals

  • Japanese transcription
  • Focus on anime adjacent domain
  • No hallucination
  • Drop in replacement (trained 50% with prompt, 25% notimestamps)

Acknowledgements

  • Train sets: OOPPEENN, Reazon, Common Voice 19, 小虫哥_, deepghs
  • Validation sets: simon3000, grider-withourai, kotoba-tech
  • Test sets: KitsuneX07, TEDxJP

Test set

airhimanatsukanonprosekasakuutatedxjp
turbo_b125.860.622.513.121.110.8
turbo_b520.948.319.111.818.9
turbo_b1_nt25.861.623.113.620.4
turbo_b5_nt17.125.823.59.412.5
anime_b115.920.212.88.910.941.8
anime_b514.418.312.68.610.0
anime_b1_n515.018.412.78.910.1
anime_b5_n514.418.112.58.610.0
anime_b1_nt14.418.711.48.310.1
anime_b5_nt13.417.511.48.19.6
b115.620.111.88.810.511.5
b515.219.811.68.810.7
b1_nt15.620.111.98.710.5
b5_nt15.319.411.88.610.5
  • b1 beam_size=1

  • b5 beam_size=5

  • n5 no_repeat_ngram_size=5

  • nt <|notimestamps|>

  • Anime sets equal to worse compared to anime-whisper, better than turbo (out of domain).

  • 273 videos from TEDxJP-10K with youtube subtitles for long form with faster-whisper.

  • Slightly worse than turbo. Kotoba/anime-whisper not trained for long form.

Validation set

Used only for hyperparameter optimization.

bluearchivegenshin5.1nekoparagenshinstarrailreazonjsutcv8cv19jsllooperstedx10
large-v3_b112.210.170.811.910.016.07.18.615.112.27.7
large-v3_b511.010.063.711.69.814.17.18.314.811.0
large-v2_b114.4103.418.312.931.68.29.818.518.08.0
large-v2_b512.7100.916.812.928.08.09.517.516.2
turbo_b112.811.172.311.611.111.67.39.617.512.028.07.9
turbo_b510.410.064.312.010.210.47.29.116.610.820.28.8
kotoba-v1_b18.59.427.89.910.312.78.49.517.112.234.9
kotoba-v1_b58.49.327.89.810.312.38.39.316.712.1
kotoba-v2_b18.59.627.710.210.411.68.29.216.912.325.3
kotoba-v2_b58.69.527.710.110.511.48.29.016.612.2
kotoba-bi_b18.910.128.110.510.817.59.19.817.512.727.8
kotoba-bi_b58.810.028.010.510.717.19.19.617.212.6
anime_b17.511.524.711.011.230.18.010.019.19.018.932.0
anime_b57.210.422.010.310.426.67.89.818.88.515.351.8
b16.96.322.86.77.416.27.18.917.18.514.78.2
b57.56.222.86.67.315.77.08.717.08.514.59.1
  • bluearchive.wiki: beam 5 worse from extra usage of kana. Learnt from MiHoYo games?
  • genshin5.1: Trained on 5.0, new audio from 5.1, possible minor overlap.
  • nekopara: Hallucination test, anime would be better if not for increased hallucination. Openai is unusable.
  • genshin/starrail: Mostly in the train set.
  • reazon: Significantly higher cer from transcribing background/secondary audio.
  • jsut: Surprisingly good?
  • cv8: cv19 train includes some of cv8 test.
  • cv19: No contamination, struggles with accents.
  • jsl: Anime set.
  • loopers: Anime set, has hallucination prone audio.
  • tedxjp: 10 videos subset. See comments in test set. b1=batched, b5=sequential, beam_size=1, temperature=0, condition_on_previous_text=False

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
c4fcc75

0 моделей