goanime-auditor-ja

Auditor de legenda japonês (seq2seq) que limpa a transcrição crua do STT antes da tradução. Não é LLM nem tradutor — é um ByT5-small fine-tunado para corrigir erros típicos de ASR em anime/galgame:

• duplicação / laço de decodificação
• kanji vs kana pela leitura (ex.: 何 → なん)
• partícula faltando/errada, espaços espúrios

Arquivos

arquivo	precisão	tamanho
encoder.onnx	int8 (per-channel, MatMul)	~220 MB
decoder.onnx	fp32	~330 MB

Por que essa mistura? O decoder int8 quebra o ByT5 (CER > 100%); o encoder int8 é seguro. fp16 não economiza RAM no ONNX Runtime CPU (ele expande p/ fp32). Esta é a menor combinação que preserva qualidade (~16,5% CER no conjunto de avaliação; fp32 puro dá ~13,9%).

Runtime

Byte-level: entrada = bytes UTF-8 + 3, com EOS(1); saída = id-3 → byte. Sem tokenizer externo. Consumido pelo app goanime-tv via ONNX Runtime (goanime/seq2seq_audit, ver audit_seq2seq.cpp).

Treino

Destilado/treinado a partir de pares (transcrição STT → referência humana) de anime/galgame; base google/byt5-small. Pipeline em github.com/JabsDev/goanime-tv (work/audit_train).