/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
zipformer · dense
Базовая модель
japanese-zipformer-base-k2
Библиотека
transformers
Опубликована
18 окт 2025

japanese-zipformer-base-k2-rs35kh-bpe

Распознавание речиАудио → текст4 профессии

Zipformer, дообученный Reazon Research для распознавания японской речи и преобразования её в текст.

141скачиваний за 30 дней0лайковвеса обновлены20 окт 2025

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

Модель reazon-research/japanese-zipformer-base-k2-rs35kh-bpe — японская система автоматического распознавания речи на архитектуре Zipformer. Разработчики Reazon Research дообучили базовую japanese-zipformer-base-k2 с помощью k2 на крупном корпусе ReazonSpeech v2.0; в репозитории опубликованы веса Safetensors для использования через библиотеку Transformers. Размер модели — около 96,5 млн параметров.

Модель предназначена для преобразования японской речи в текст, в том числе для распознавания коротких аудиозаписей. В тестах README указаны значения CER 9,71% на JSUT-BASIC5000, 11,00% на Common Voice и 13,07% на TEDxJP-10K; на наборе JSUT-BOOK для длинной речи результат не приведён. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация японских аудиозаписей
  • распознавание японской речи в голосовых сообщениях
  • создание субтитров к японским выступлениям
  • распознавание японской речи в подкастах и интервью

Ограничения

В README для длинной речи на JSUT-BOOK результат не указан. Приведённые оценки CER относятся к перечисленным тестовым наборам и сами по себе не гарантируют качество на других типах аудио.

Для каких профессий подходит4

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

japanese-zipformer-base-k2-rs35kh-bpe

This model is a Zipformer 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, AutoModelForCTC

model = AutoModelForCTC.from_pretrained(
    "reazon-research/japanese-zipformer-base-k2-rs35kh-bpe",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
).to("cuda")
processor = AutoProcessor.from_pretrained("reazon-research/japanese-zipformer-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-zipformer-base-k2-rs35kh96.5M11.26%9.71%11.00%13.07%
reazon-research/japanese-zipformer-base-k2-rs35kh-bpe96.5M11.46%9.88%11.02%13.48%
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-zipformer-base-k2-rs35kh96.5M❌
+ Silero VAD20.80%
reazon-research/japanese-zipformer-base-k2-rs35kh-bpe96.5M❌
+ Silero VAD21.51%
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-zipformer-base-k2-rs35kh-bpe,
  title={japanese-zipformer-base-k2-rs35kh-bpe},
  author={Sasaki, Yuta},
  url = {https://huggingface.co/reazon-research/japanese-zipformer-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

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ZipformerForCTC
Ревизия весов
fc70803

0 моделей