File size: 11,154 Bytes
551358b | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 | {
"generated_at": "2026-08-16T10:53:09+00:00",
"device": "mps",
"geometry": {
"geometry_index": 1,
"window_frames": 12,
"stride_frames": 10,
"pad_left_frames": 0,
"pad_right_frames": 2,
"encoder_look_back": 1,
"lookahead_ms": 120.0,
"training_config": {
"chunk_size": [
8,
12,
16
],
"stride": [
6,
10,
14
],
"pad_left": [
0,
0,
0
],
"encoder_att_look_back_factor": [
1,
1,
1
]
}
},
"scoring": {
"cer": "corpus-level Levenshtein over NFKC-normalised characters",
"punctuation": "stripped",
"whitespace": "stripped",
"rich_tags": "stripped",
"wer_note": "whitespace tokens; near-meaningless for unsegmented Japanese and Chinese - read CER"
},
"models": {
"base": {
"dir": "/Users/nelmo-ux/Desktop/SenceVoice/models/SenseVoiceSmall",
"checkpoint": null
},
"finetuned": {
"dir": "/Users/nelmo-ux/Desktop/SenceVoice/models/SenseVoiceSmall",
"checkpoint": "outputs/chunk_mps_run1/model.pt.ep2"
}
},
"japanese": {
"note": "the selection axis: checkpoint choice keys off these numbers only",
"val": {
"jsonl": "/Users/nelmo-ux/Desktop/SenceVoice/data/vn/val.jsonl",
"num_clips": 772,
"metrics": {
"per_model": {
"base": {
"chunk": {
"cer": 0.4058795637743006,
"mean_cer": 0.4907838660061337,
"wer": 0.9991586032814472,
"num_clips": 772,
"ref_chars": 18981,
"char_edits": 7704,
"ref_words": 2377,
"word_edits": 2375
},
"chunk_last_partial": {
"cer": 0.43016700911437755,
"mean_cer": 0.5131696714023274,
"wer": 0.9974758098443416,
"num_clips": 772,
"ref_chars": 18981,
"char_edits": 8165,
"ref_words": 2377,
"word_edits": 2371
},
"full": {
"cer": 0.16253095200463621,
"mean_cer": 0.24466634683089186,
"wer": 0.9882204459402608,
"num_clips": 772,
"ref_chars": 18981,
"char_edits": 3085,
"ref_words": 2377,
"word_edits": 2349
},
"chunk_minus_full_cer": 0.2433486117696644,
"chunk_vs_full_cer": 0.3289047310434219
},
"finetuned": {
"chunk": {
"cer": 0.1851325009219746,
"mean_cer": 0.25972844033489645,
"wer": 0.7580984434160707,
"num_clips": 772,
"ref_chars": 18981,
"char_edits": 3514,
"ref_words": 2377,
"word_edits": 1802
},
"chunk_last_partial": {
"cer": 0.25146198830409355,
"mean_cer": 0.3529011591478146,
"wer": 0.8098443416070678,
"num_clips": 772,
"ref_chars": 18981,
"char_edits": 4773,
"ref_words": 2377,
"word_edits": 1925
},
"full": {
"cer": 0.1492545176755703,
"mean_cer": 0.2176970143306592,
"wer": 0.7118216238956668,
"num_clips": 772,
"ref_chars": 18981,
"char_edits": 2833,
"ref_words": 2377,
"word_edits": 1692
},
"chunk_minus_full_cer": 0.035877983246404316,
"chunk_vs_full_cer": 0.10454916916371561
}
},
"delta": {
"chunk_cer": -0.220747062852326,
"full_cer": -0.013276434329065917,
"chunk_minus_full_cer": -0.2074706285232601,
"chunk_vs_full_cer": -0.2243555618797063
}
}
},
"clips": [
{
"key": "ja.mp3",
"path": "/Users/nelmo-ux/.cache/huggingface/hub/models--FunAudioLLM--SenseVoiceSmall/snapshots/3847d57b6bdf2dd8875cb1508d2af43d80a16bf7/example/ja.mp3",
"language": "ja",
"reference_source": "base model full-attention decode (no ground truth)",
"per_model": {
"base": {
"full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>うちの中学は弁当制で持っていきない場合は50円の学校販売のパンを買う",
"chunk": "ううちの中学は弁当等制で持っていききない場合は五0円の学校行販売ののパンを買う買う",
"chunk_last_partial": "ううちの中学は弁当等制で持っていききない場合は五0円の学校行販売ののパンを買う買う",
"chunk_vs_full_cer": 0.23529411764705882
},
"finetuned": {
"full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>うちの中学は弁当制で持っていきない場合は50円の学校販売のパンを買う",
"chunk": "うちの中学は弁当生で持っていきない場合は50円の学校販売のパンを買う",
"chunk_last_partial": "うちの中学は弁当生で持っていきない場合は50円の学校販売のパンを買う",
"chunk_vs_full_cer": 0.029411764705882353
}
},
"drift_cer_vs_base_full": 0.0,
"gap_delta": -0.20588235294117646
}
]
},
"reference_only": {
"note": "reference only, not a selection criterion: this finetune is Japanese-specialised and Chinese retention is not a maintained property",
"clips": [
{
"key": "zh_sample.wav",
"path": "/Users/nelmo-ux/Desktop/SenceVoice/runtime/llama.cpp/tests/sample.wav",
"language": "auto",
"reference_source": "base model full-attention decode (no ground truth)",
"per_model": {
"base": {
"full": "<|zh|><|NEUTRAL|><|Speech|><|woitn|>我想问我在滨海新区有房",
"chunk": "我想想问我在滨海心新区有有房",
"chunk_last_partial": "我想想问我在滨海心新区有",
"chunk_vs_full_cer": 0.2727272727272727
},
"finetuned": {
"full": "<|zh|><|NEUTRAL|><|Speech|><|woitn|>我想问我在滨海新区有房",
"chunk": "我想。我在滨海新区有房",
"chunk_last_partial": "我想。我在滨海新区",
"chunk_vs_full_cer": 0.09090909090909091
}
},
"drift_cer_vs_base_full": 0.0,
"gap_delta": -0.1818181818181818
}
]
},
"selection": {
"metric": "ja_val_chunk_cer",
"value": 0.1851325009219746,
"model": "finetuned",
"note": "corpus CER of the complete chunk-mode decode on the held-out Japanese val set; lower is better"
},
"examples": [
{
"key": "GIGA_Ai_Kiss_2__うめき声__a1040039",
"scope": "japanese",
"reference": "――うぅぉぁあ……",
"base_full": "<|nospeech|><|EMO_UNKNOWN|><|Event_UNK|><|woitn|>",
"base_chunk": "うんうん",
"base_chunk_last_partial": "うんうん",
"finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>う",
"finetuned_chunk": "うあ",
"finetuned_chunk_last_partial": "うあ"
},
{
"key": "GIGA_Ai_Kiss_2__アヤメ・ヒナタ__06900000",
"scope": "japanese",
"reference": "蓮くん、デートしよ♪",
"base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>レくんデートしよう",
"base_chunk": "レんくくんでデートしよよ",
"base_chunk_last_partial": "レんくくんで",
"finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>蓮くん、デートしよ？",
"finetuned_chunk": "蓮く、デートしよ？",
"finetuned_chunk_last_partial": "蓮く、"
},
{
"key": "GIGA_Ai_Kiss_2__クラスメイトの男子__a1050000",
"scope": "japanese",
"reference": "――みんな気になるのさ。あんな可愛い双子の子に挟まれてるあいつは何者なのか、ってね",
"base_full": "<|ja|><|ANGRY|><|Speech|><|woitn|>みんな気になるのさあんな可愛い双子の子に挟まれてるあいつは何者なのかってね",
"base_chunk": "みんなき気になるのさあんな顔かい子の子に挟まれてるあいつつは何何者なのかってねてね",
"base_chunk_last_partial": "みんなき気になるのさあんな顔かい子の子に挟まれてるあいつつは何何者なのかってね",
"finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>みんな気になるのさ、あんな可愛い双子の子に挟まれてるあいつは何者なのかってね",
"finetuned_chunk": "みんな気になるのさ、あんな可愛い双子の子に挟まれてるあいつは何者なのかってね",
"finetuned_chunk_last_partial": "みんな気になるのさ、あんな可愛い双子の子に挟まれてるあいつは何者なのかって"
},
{
"key": "GIGA_Ai_Kiss_2__マネージャー__01900000",
"scope": "japanese",
"reference": "分かりました、気をつけて下さい。委員のキミもごくろう、くれぐれもよろしく頼むよ",
"base_full": "<|ja|><|ANGRY|><|Speech|><|woitn|>わかりました気をつけてください委員の君もご苦労くれぐれもよろしく頼むよ",
"base_chunk": "わかりましした気をつけてくださいい委員の君もご苦労くれぐれれもよろしく頼むよ",
"base_chunk_last_partial": "わかりましした気をつけてくださいい委員の君もご苦労くれぐれれもよろしく頼",
"finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>わかりました。気をつけて下さい。委員のキミもご苦労。くれぐれもよろしく頼むよ",
"finetuned_chunk": "わかりました、気をつけて下さい。委員の君も極労。くれぐれもよろしく頼むよ",
"finetuned_chunk_last_partial": "わかりました、気をつけて下さい。委員の君も極労。くれぐれもよろしく頼"
},
{
"key": "GIGA_Ai_Kiss_2__事故にあった女子__02030027",
"scope": "japanese",
"reference": "――ねえ、私の腕。見つからないの、どこにあるか知らない？",
"base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>ねえ私の腕見つからないのどこにあるか知らない",
"base_chunk": "ねえね私の腕見つからないのどこにあるか知らなない",
"base_chunk_last_partial": "ねえね私の腕見つからないのどこにあるか知らな",
"finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ねぇ、私の腕、見つからないのど処にあるか知らない",
"finetuned_chunk": "ねえ、私の腕、見つからないの、ど処にあるか知らない",
"finetuned_chunk_last_partial": "ねえ、私の腕、見つからないの、ど処にあるか知ら"
}
],
"warnings": []
}
|