Downloads · 30 days
0
Holy-fox/kotoba-whisper-v2.0-ja-personal-sft-v2-ggml
kotoba-whisper-v2.0-ja-personal-sft-v2-ggml is a automatic speech recognition model from Holy-fox. Use it when you need speech turned into text. It is set up for whisper.cpp. The card lists the license as apache-2.0.
kotoba-tech/kotoba-whisper-v2.0 を日本語の音声入力(LLMへのプロンプト発話)へ LoRA SFT で適応させたモデルの、whisper.cpp 向け ggml 変換・量子化版です。transformers 版は Holy-fox/kotoba-whisper-v2.0-ja-personal-sft-v2。
Downloads · 30 days
0
Access
Public
Updated Sep 10, 2026
Repo size
2.5 GB
Likes
0
Public
Click a slice to open those files.
.bin2.5 GB · 100%
From the Hugging Face model README
kotoba-tech/kotoba-whisper-v2.0 を日本語の音声入力(LLMへのプロンプト発話)へ LoRA SFT で適応させたモデルの、whisper.cpp 向け ggml 変換・量子化版です。transformers 版は Holy-fox/kotoba-whisper-v2.0-ja-personal-sft-v2。
| ファイル | 形式 | サイズ |
|---|---|---|
ggml-kotoba-whisper-v2.0-sft-v2-q5_0.bin | Q5_0 | 538 MB |
ggml-kotoba-whisper-v2.0-sft-v2-q4_0.bin | Q4_0 | 444 MB |
ggml-kotoba-whisper-v2.0-sft-v2-f16.bin | F16 | 1,520 MB |
1名の話者が Mac / iPhone / iPad で録音した、LLM への音声入力 約2.5時間を素材にしています。Silero VAD で 30 秒以内に分割して 16 kHz モノラルへ統一し、うち 272 セグメント(約66分)を学習に使いました。転記は人手ではなく、音声対応 LLM に同一音声から複数候補を作らせ、別の審査 LLM が音声を聴いて1つを選ぶ自動疑似ラベルです。汎用の日本語ASRではなく、口語のままの言い回しと、AI/LLM 系の用語・英字略語が混ざる話し方に合わせています。
Claude→クロード、Whisper→ウィスパー、ChatGPT→チャットGPT)。文脈から製品名を推測して補うことはせず、その発音が実際に聞こえたときだけ適用します。短音声 83 セグメントでの文字誤り率。content CER は表記ゆれ(Anthropic↔アンソロピック など)を正規化した後の内容CERです。
| モデル | exact CER | content CER |
|---|---|---|
kotoba-tech/kotoba-whisper-v2.0 | 31.03% | 23.55% |
| F16 | 23.55% | 19.70% |
| Q5_0 | 26.03% | 22.61% |
| Q4_0 | 22.91% | 19.15% |
特定話者・特定ドメインへの適応モデルです。他の話者や一般的な日本語音声では、ベースの Whisper のほうが良い結果になる場合があります。同じデータで学習した Whisper large-v3-turbo 版 のほうが全体に良い数値です。
huggingface-cli download Holy-fox/kotoba-whisper-v2.0-ja-personal-sft-v2-ggml \
ggml-kotoba-whisper-v2.0-sft-v2-q5_0.bin --local-dir ./models
ffmpeg -i input.m4a -ar 16000 -ac 1 -c:a pcm_s16le recording.wav
./build/bin/whisper-cli \
-m ./models/ggml-kotoba-whisper-v2.0-sft-v2-q5_0.bin \
-f recording.wav -l ja
入力は 16 kHz モノラル WAV です。学習は 30 秒以内のセグメントで行っています。Kotoba Whisper v2.0 はデコーダが 2 層の蒸留モデルで長時間音声に弱いため、長い録音は VAD で 30 秒以内に分割し、チャンクごとに文脈をリセットして時刻順に連結してください。
ベースモデルの Apache-2.0 を継承します。