Downloads · 30 days
0
kizuna-intelligence/zipformer-rnnt-japanese-hiragana
zipformer-rnnt-japanese-hiragana is a automatic speech recognition model from kizuna-intelligence. Use it when you need speech turned into text. The card lists the license as apache-2.0.
軽量・高速なひらがな専用の日本語音声認識モデルです。Zipformer エンコーダと RNNT+CTC デコーダを組み合わせた 20.6M パラメータのモデルで、ReazonSpeech 全データ(約2,200万サンプル)で学習しています。
Downloads · 30 days
0
Access
Public
Updated Mar 21, 2026
Repo size
—
Likes
1
Public
Click a slice to open those files.
.md4.3 KB · 74%
From the Hugging Face model README
軽量・高速なひらがな専用の日本語音声認識モデルです。Zipformer エンコーダと RNNT+CTC デコーダを組み合わせた 20.6M パラメータのモデルで、ReazonSpeech 全データ(約2,200万サンプル)で学習しています。
| モデル | パラメータ | Common Voice 8 (2000件) | JSUT basic5000 (2000件) | RTF (1 CPU コア) |
|---|---|---|---|---|
| 本モデル (RNNT) | 20.6M | 10.9% | 3.3% | 0.020 |
| Moonshine tiny-ja | 27.1M | 4.9%* | - | 0.068 |
| Moonshine base-ja | 61.5M | 5.8%* | - | 0.079 |
*Moonshine は漢字出力をひらがなに変換して比較。50サンプルでの評価。
| 区分 | 割合 |
|---|---|
| 完全一致 (CER 0%) | 46% |
| ほぼ正解 (CER 1-10%) | 23% |
| まあまあ (CER 11-30%) | 22% |
| 悪い (CER 31-50%) | 8% |
| 壊滅的 (CER 50%超) | 2% |
約7割の発話でほぼ正しい認識結果が得られます。
import torch
import torchaudio
from hiragana_zipformer.data import compute_fbank, load_audio
from hiragana_zipformer.model import HiraganaZipformerConfig, build_model
# モデル読み込み
checkpoint = torch.load("model.pt", map_location="cpu")
config = HiraganaZipformerConfig.from_dict(checkpoint["config"])
model = build_model(config=config, model_type="rnnt_ctc")
model.load_state_dict(checkpoint["model_state_dict"])
model.eval()
# 音声読み込みと推論
waveform = load_audio("sample.wav", sample_rate=16000)
features = compute_fbank(waveform, sample_rate=16000, num_mel_bins=80).unsqueeze(0)
feature_lengths = torch.tensor([features.size(1)], dtype=torch.long)
with torch.no_grad():
result = model.greedy_decode(features, feature_lengths, strategy="rnnt")[0]
print(result) # ひらがな出力: "きょーわいいてんきですね"
python infer.py --checkpoint model.pt --audio sample.wav --decode-strategy rnnt
本モデルは icefall の Zipformer2 を参考に、単体運用のために簡略化した standalone 版です。以下の改良を加えています:
Apache License 2.0
本モデルは ReazonSpeech データセットを使用して学習しています。