/ Модель

Характеристики

Параметры
117 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense
Базовая модель
japanese-hubert-base-k2
Библиотека
transformers
Опубликована
29 сен 2025

japanese-hubert-base-k2-rs35kh

Распознавание речиАудио → текст9 профессий

Модель HuBERT Base, дообученная для распознавания японской речи и преобразования аудиозаписей в текст.

3 321скачиваний за 30 дней1лайквеса обновлены18 окт 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

Модель reazon-research/japanese-hubert-base-k2-rs35kh — акустическая модель для автоматического распознавания японской речи. Её разработала команда Reazon Research: HuBERT Base дообучена на корпусе ReazonSpeech v2.0 с использованием фреймворка k2. Модель содержит около 117,3 млн параметров, реализована как HubertForCTC и распространяется в формате safetensors для библиотеки Transformers.

Модель предназначена для преобразования японской речи в текст, включая длинные записи. В тестах авторов она показала CER 11,23% в среднем по указанным наборам и 27,05% на JSUT-BOOK; результаты зависят от данных и условий распознавания. Модель принимает аудио и выдаёт текст. Лицензия Apache-2.0.

Сценарии применения

  • расшифровка японских аудиозаписей
  • транскрибация японской речи в длинных записях
  • распознавание японских выступлений и лекций
  • подготовка текстовых субтитров к японскому аудио

Ограничения

Опубликованные показатели CER получены на ограниченном наборе тестовых корпусов и не гарантируют такую же точность на других данных. Карточка не описывает поддержку языков помимо японского.

Для каких профессий подходит9

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-hubert-base-k2-rs35kh

This model is a Hubert Base fine-tuned on the large-scale Japanese ASR corpus ReazonSpeech v2.0 using the k2 framework.

Usage

You can use this model through transformers library:

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

model = HubertForCTC.from_pretrained(
    "reazon-research/japanese-hubert-base-k2-rs35kh",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).to("cuda")
processor = AutoProcessor.from_pretrained("reazon-research/japanese-hubert-base-k2-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%
reazon-research/japanese-hubert-base-k2-rs35kh98.4M11.23%9.94%11.59%12.18%
reazon-research/japanese-hubert-base-k2-rs35kh-bpe98.4M11.07%9.76%11.36%12.10%

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%
reazon-research/japanese-hubert-base-k2-rs35kh98.4M27.05%
+ Silero VAD19.59%
reazon-research/japanese-hubert-base-k2-rs35kh-bpe98.4M84.55%
+ Silero VAD19.34%

Citation

@misc{japanese-hubert-base-k2-rs35kh,
  title={japanese-hubert-base-k2-rs35kh},
  author={Sasaki, Yuta},
  url = {https://huggingface.co/reazon-research/japanese-hubert-base-k2-rs35kh},
  year = {2025}
}

@article{yang2024k2ssl,
  title={k2SSL: A faster and better framework for self-supervised speech representation learning},
  author={Yang, Yifan and Zhuo, Jianheng and Jin, Zengrui and Ma, Ziyang and Yang, Xiaoyu and Yao, Zengwei and Guo, Liyong and Kang, Wei and Kuang, Fangjun and Lin, Long and others},
  journal={arXiv preprint arXiv:2411.17100},
  year={2024}
}

License

Apache 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
HubertForCTC
Ревизия весов
30acf6f

0 моделей