/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
nemo
Опубликована
14 сен 2026

kanary-v2-1b-ko-34800

Распознавание речиАудио → текст3 профессии

Контрольная точка Canary v2 для транскрибации корейской речи с управлением нормализацией чисел, написанием иностранных слов и пунктуацией.

27скачиваний за 30 дней0лайковвеса обновлены14 сен 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

lee1jun/kanary-v2-1b-ko-34800 — контрольная точка распознавания корейской речи с управляемым выводом. Модель обучена на базе Korean-tokenizer Canary v2 graft и продолжала обучение в два этапа: сначала на корпусах речи, затем на примерах с инструкциями по нормализации текста, передаче иностранных слов и пунктуации. Для загрузки используется библиотека NeMo и формат prompt проекта kanary.

Модель принимает корейскую аудиоречь и выдаёт текст на корейском языке. Параметры itn задают запись чисел и символов либо их произношение словами, foreign управляет записью иностранных слов латиницей или хангылем, а pnc включает или отключает пунктуацию. Чекпойнт показал символьную ошибку CER 7,94% на dev-разделе KsponSpeech, что авторы используют для выбора контрольной точки. Это релиз-кандидат; оценка на других указанных тестовых наборах для этих же весов на момент публикации ещё ожидалась.

Модель предназначена для корейской автоматической транскрипции, где важны управляемые форматирование и пунктуация. Лицензия — CC BY 4.0. Корейский язык — единственный поддерживаемый; маркер запрошенного написания иностранного слова не гарантирует точного распознавания этого фрагмента. Использованные наборы AI Hub распространяются на собственных условиях и не включаются в лицензию модели.

Сценарии применения

  • транскрибация корейской речи в текст
  • распознавание корейских разговоров с расстановкой пунктуации
  • вывод чисел цифрами или корейскими словами по настройке
  • транскрибация иностранных слов латиницей или хангылем
  • отключение пунктуации при подготовке транскрипта

Ограничения

Поддерживается только корейский язык; запрос на запись иностранного слова выбранным письмом не гарантирует его точного распознавания. Метрика CER 7,94% относится к KsponSpeech dev и служит для выбора чекпойнта; результаты на других перечисленных тестах для этих весов ещё ожидались.

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

kanary-v2-1b-ko-34800

Korean controllable ASR checkpoint trained for 34,800 optimizer steps in two stages (8,700 untagged/exposure steps followed by 26,100 prompt-supervised steps). The model supports independent controls for number formatting, foreign word script, and punctuation.

This package is a release candidate. It is the best completed v2 checkpoint by the checkpoint-selection metric available on 2026-09-14: 7.94% CER on the KsponSpeech development view, compared with 7.98% for the previously selected v2 checkpoint. Evaluation of this exact checkpoint on KconfSpeech, KsponSpeech eval-clean, Zeroth, and FLEURS-ko was still queued when the package was created. Do not describe it as the best model on those test sets until the queued reports are added.

Checkpoint

ItemValue
Filekanary-v2-1b-ko-34800.nemo
Size3,800,760,320 bytes
SHA-256cb12edf581adcb1561b3c7cc4edaae59d7a2ef0dc6557f5941daf153a3a2e0b8
Parameters948,740,320
Selection metricKsponSpeech dev CER, 7.94%
Selected stage-2 step26,000; final export after step 26,100
Total training budget8,700 + 26,100 = 34,800 steps

The .nemo archive contains model weights, model configuration, and both tokenizers. provenance.json records the exact local experiment identity and checksums. Training configuration snapshots are included under training/.

Usage

The checkpoint declares the project-specific kanary prompt format. Install this model repository so that kanary_prompt is importable before loading the model:

pip install git+https://huggingface.co/lee1jun/kanary-v2-1b-ko-34800
import kanary_prompt
import nemo.collections.asr as nemo_asr

model = nemo_asr.models.ASRModel.from_pretrained(
    "lee1jun/kanary-v2-1b-ko-34800"
)

hyps = kanary_prompt.transcribe(
    model,
    ["sample.wav"],
    source_lang="ko",
    target_lang="ko",
    pnc="True",
    itn="itn",
    foreign="foreign:en",
)
print(hyps[0].text)

The extra slots must travel through a manifest; NeMo's ordinary model.transcribe() interface does not forward the project-specific itn and foreign fields. kanary_prompt.transcribe() creates that manifest.

Prompt controls

SlotValuesIntended behavior
itnitn, noitn, itn:undefineddigits/symbols, spoken-form Hangul, or model choice
foreignforeign:en, foreign:ko, foreign:undefinedLatin script, Hangul transcription, or model choice
pncTrue, Falsepunctuation on or off

Only Korean (ko) is supported for source_lang and target_lang.

Training

The model was initialized from the Korean-tokenizer Canary v2 graft and trained on AI Hub KsponSpeech, KtelSpeech, and KconfSpeech.

  • Stage 1: 8,700 steps on the three-corpus exposure view.
  • Stage 2: 26,100 steps on prompt-supervised ITN/foreign/PNC views, including non-applicable examples used to teach restraint.
  • Optimizer: AdamW, learning rate 1e-4, inverse-square-root schedule, 1,000 warmup steps in each stage.
  • Batch duration: 1,800 seconds/GPU on four GPUs, bf16 mixed precision.
  • Seed: 42 for the recovered stage-2 run. The original stage-1 random state was not replayed.

The source corpora total approximately 8,684 hours before derived prompt views. Derived rows are not additional unique audio.

Current evaluation status

The 7.94% development CER is suitable for checkpoint selection, not a claim of test-set superiority. Earlier v2 checkpoints showed strong formatting control, but those numbers are not copied here because they were measured from different weights. Update this section only from the reports for this exact SHA-256.

Limitations

  • Korean only.
  • A requested script marker is weaker evidence than exact recognition of the requested span.
  • Rule-derived and LLM-generated multi-reference candidates require audio-based human approval before they can be treated as benchmark ground truth.
  • The training data includes licensed AI Hub corpora; redistributing the model does not redistribute those datasets or supersede their terms.

License

CC-BY-4.0 for the checkpoint, following the existing Kanary release lineage. The source datasets retain their own terms.

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
7f9f9d5

0 моделей