/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
48,2 млн
Лицензия
MIT
Архитектура
moonshine_streaming · dense
Библиотека
transformers
Опубликована
24 авг 2026

moonshine-streaming-small-ja

Распознавание речиАудио → текст5 профессий

Потоковая модель Moonshine для транскрипции японской речи на устройствах с ограниченными ресурсами.

286скачиваний за 30 дней0лайковвеса обновлены24 авг 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

Moonshine Streaming Small — Japanese — это потоковая модель распознавания японской речи из семейства Moonshine, опубликованная moonshine-ai. Она принимает аудио и выдаёт текст по мере поступления речи, что подходит для транскрипции на устройствах с ограниченными ресурсами. В метаданных указано 48,2 млн параметров; README приводит другое значение — 112,9 млн, поэтому размер модели в источниках расходится. Модель использует аудиофронтенд с частотой 50 Гц, скользящий оконный Transformer-энкодер и декодер; задержка упреждения составляет около 80 мс. Для работы в Transformers требуется передавать attention mask.

Модель обучена для японского языка на автоматически размеченных корпусах подкастов и YouTube, где транскрипты созданы моделью-учителем семейства Whisper. В оценке используются CER без пробелов: макро-CER составил 17,15 на выборке из FLEURS и ReazonSpeech при пакетном размере 1. Это вариант потокового распознавания для японской речи, включая чтение и спонтанную речь.

Возможны ошибки в именах собственных, числах и переключении языков; на коротких фрагментах иногда возникают циклы повторения, поэтому следует ограничивать длину вывода. Качество не оценивалось на телефонной речи, детской речи, тяжёлых диалектах и шумной речи с большого расстояния. Модель выпущена под лицензией MIT; README исключает применение для слежки без согласия, идентификации говорящего и решений с высокими ставками.

Сценарии применения

  • потоковая транскрипция японской речи на устройстве
  • расшифровка японских подкастов
  • транскрипция японских видео и аудиозаписей
  • распознавание японской спонтанной речи

Ограничения

Обучающие транскрипты автоматически сгенерированы моделью-учителем, поэтому возможны ошибки в именах, числах и переключении языков; на коротких фрагментах иногда возникают циклы повторения. Модель не оценивалась на телефонной, детской, сильно диалектной и шумной дальней речи.

Для каких профессий подходит5

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

Moonshine Streaming Small — Japanese

Japanese streaming speech recognition, 112.9M parameters. Same architecture as moonshine-ai/moonshine-streaming-small, trained for Japanese with a 12,288-entry Japanese tokenizer. The Tiny model is a quarter of the size and about 2.5 CER worse.

Moonshine Streaming pairs a 50 Hz time-domain audio frontend with a sliding-window Transformer encoder, so it transcribes incrementally rather than waiting for an utterance to finish. It is intended for on-device use on edge-class hardware.

Checkpoint identity

Checkpointja12k_small_stageB_best.safetensors
StageB
Architecturespindlier_prime_adapted
Tokenizertokenizer_ja12k.json, vocab 12,288
Snapshot taken2026-08-23
Parameters112.9M

Usage

pip install --upgrade transformers datasets[audio]
from transformers import MoonshineStreamingForConditionalGeneration, AutoProcessor
import torch

model = MoonshineStreamingForConditionalGeneration.from_pretrained(
    "moonshine-ai/moonshine-streaming-small-ja"
).eval()
processor = AutoProcessor.from_pretrained("moonshine-ai/moonshine-streaming-small-ja")

inputs = processor(audio, return_tensors="pt", sampling_rate=16000)

# Cap the output length. Like other seq2seq ASR models this one can fall into a
# repetition loop, and short or noisy clips are where it happens.
seq_lens = inputs.attention_mask.sum(dim=-1)
max_new_tokens = int((seq_lens * 6.5 / 16000).max().item()) + 2

generated = model.generate(**inputs, max_new_tokens=max_new_tokens)
print(processor.batch_decode(generated, skip_special_tokens=True)[0])

Pass the attention_mask. The encoder applies its per-layer sliding windows only when it is given one; called without a mask it attends over the whole utterance instead, which is a different model from the one that was trained. The processor returns the mask, so the snippet above is the safe form. The processor also pads audio to a whole number of 80-sample frames, which the frontend requires.

Architecture

Encoder10 layers, width 620, 8 heads, sliding windows (16, 4) on the first two and last two layers and (16, 0) between
Decoder10 layers, width 512, 8 heads, RoPE over 32 of each head's 64 dimensions
Frontend50 Hz features, CMVN, asinh compression, two causal stride-2 convolutions
Adapterlearned absolute positional embeddings, then a projection from 620 to 512

The lookahead layers give roughly 80 ms of lookahead; the intermediate layers have none.

Training data

Trained on a large-scale automatically labeled Japanese corpus:

  • Podcast crawl, roughly 109,000 hours.
  • YouTube crawl, roughly 50,000 hours.

These transcripts are pseudo-labels: they were produced by running a Whisper-family teacher model over crawled audio, not by human transcription. The model therefore inherits the teacher's error modes, including its handling of proper nouns, numerals and code-switching, and its transcription conventions for a language written without spaces. No human-verified transcript was used for the bulk of training.

Evaluation

Japanese is scored on character error rate with spaces removed (cer_nospace), never WER. Japanese is written without spaces, so tokenization differences alone can read as several hundred percent WER while the characters are correct.

suite_ja is FLEURS Japanese (650 utterances) and ReazonSpeech Japanese (5,263).

Full panels, batch 8

PanelCER
macro16.765

Seeded 400-utterance sample, batch 1

Batch 1 is the honest number for deployment. Batched evaluation zero-pads short clips up to the longest in the batch, and that trailing silence flatters the model by more than a point on spontaneous speech.

PanelCER
fleurs_ja7.99
reazonspeech_ja26.31
macro17.15

This repository against the training checkpoint

These weights were converted from the neo training checkpoint, and the conversion was checked by measurement rather than inspection: same seeded sample, same batch size, same normalizer.

fleurs_jareazonspeech_jamacro
Training checkpoint7.9926.3117.153
This repository7.9026.6917.295

397/400 and 383/400 transcripts are byte-identical, and excluding the handful of utterances where either side ran away the macro gap is 0.054. The residual comes from the frontend's 80-sample frame alignment, which this path pads and the training path does not.

Limitations

  • Machine-labeled training data. See above; the model reproduces its teacher's mistakes as well as its strengths.
  • Repetition loops on short clips. About 0.75% of ReazonSpeech utterances in the batch-1 sample run away. Cap the output length.
  • Short-utterance sensitivity. Utterances with very short references are far harder than the macro number suggests, and are where numerically small changes produce large per-utterance swings.
  • Evaluated only on read speech (FLEURS) and spontaneous speech (ReazonSpeech). No evaluation of telephony, children's speech, heavy dialect, or noisy far-field conditions.

Out-of-scope use

Not intended for non-consensual surveillance, speaker identification, or high-stakes decisions.

License

MIT.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MoonshineStreamingForConditionalGeneration
Ревизия весов
ac31061

0 моделей