/ Модель

Характеристики

Параметры
116 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-bpe

Распознавание речиАудио → текст5 профессий

Дообученная HuBERT Base для распознавания японской речи и преобразования аудио в текст.

137скачиваний за 30 дней4лайкавеса 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-bpe разработана Reazon Research: это HuBERT Base, дообученная с помощью фреймворка k2 на крупном японском корпусе распознавания речи ReazonSpeech v2.0. Модель содержит 115,6 млн параметров и предназначена для преобразования японской речи в текст; для работы доступна через библиотеку Transformers.

В тестах авторов модель показала CER 11,07% в среднем на трёх наборах данных: JSUT-BASIC5000, Common Voice и TEDxJP-10K. Для длинной речи на JSUT-BOOK CER составил 84,55%, что указывает на существенное ограничение в таком сценарии. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация японской речи
  • распознавание японской речи в аудиозаписях
  • расшифровка японских выступлений и докладов
  • транскрибация коротких японских голосовых записей

Ограничения

В тесте на длинной речи JSUT-BOOK показатель CER составил 84,55%, поэтому качество на длинных записях может быть низким. Приведённые результаты относятся к тестовым наборам из карточки модели.

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

japanese-hubert-base-k2-rs35kh-bpe

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-bpe",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).to("cuda")
processor = AutoProcessor.from_pretrained("reazon-research/japanese-hubert-base-k2-rs35kh-bpe")

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).removeprefix("▁")

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-rs35kh-bpe98.4M11.07%9.76%11.36%12.10%
reazon-research/japanese-hubert-base-k2-rs35kh98.4M11.23%9.94%11.59%12.18%

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

Citation

@misc{japanese-hubert-base-k2-rs35kh-bpe,
  title={japanese-hubert-base-k2-rs35kh-bpe},
  author={Sasaki, Yuta},
  url = {https://huggingface.co/reazon-research/japanese-hubert-base-k2-rs35kh-bpe},
  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
a6660b2

0 моделей