v2: 300h cluster finetune (H100, bf16) - chunk CER 0.1679, gap 0.0095

Browse files

Files changed (4) hide show

README.md +17 -13
eval/eval_full_lr2e4_ep4.json +241 -0
eval/eval_full_lr6e4_ep4.json +241 -0
model.pt +2 -2

README.md CHANGED Viewed

@@ -19,31 +19,35 @@ library_name: funasr
 SenseVoiceSmall を**チャンクマスク学習（SCAMA方式）でファインチューニングした日本語特化モデル**です。ストリーミング（チャンク逐次）推論時の精度劣化を解消することを目的としています。
-ベースの SenseVoiceSmall は全区間双方向 attention で学習されているため、そのままチャンク推論すると精度が大きく劣化します。本モデルはダイナミックチャンクマスク（chunk_size を学習ステップごとに 8/12/16 からランダム選択）で 4 エポックのファインチューニングを行い、このギャップをほぼ解消しました。
-## 結果（保留話者 772 クリップ・日本語・CER）
 | モデル | チャンク推論 CER | フル注意 CER | ギャップ |
 |---|---|---|---|
-| SenseVoiceSmall（公開重み） | 0.4059 | 0.1625 | 0.2433 |
-| **本モデル（ep4）** | **0.1739** | **0.1494** | **0.0245** |
-- チャンク推論 CER は相対 **57%** 改善、チャンクとフル注意の差は **90%** 縮小
-- フル注意（非ストリーミング）推論もドメイン内データの効果で僅かに改善
 - 評価データは学習と話者を完全分離（声優単位のリーク検証済み）
-## 学習詳細
-- **データ**: [OOPPEENN/VisualNovel_Dataset](https://huggingface.co/datasets/OOPPEENN/56697375616C4E6F76656C5F44617461736574) のサブセット約53時間（29,230クリップ、16kHz mono、話者分離 train/val 分割）
 - **方式**: GT教師あり CTC + ダイナミックチャンクマスク（chunk_size=[8,12,16] / stride=[6,10,14] / pad_left=0 / look_back=1、1フレーム=60ms）
-- **設定**: 4エポック、LR 2e-4、batch 12、fp32、Apple M5 Pro（MPS）で約4.5時間
 - **正規化**: モデルネイティブの全角句読点規約（！？…～）を維持。ASCII への NFKC 折り畳みは句読点について無効化
 ## 制約・注意
 - **日本語特化**です。中国語・広東語・英語・韓国語の性能は評価しておらず、維持対象外です
 - 感情・イベントラベルはベースモデルの機能を引き継ぎますが、本 FT では最適化していません
-- チャンク推論の実装（`forward_chunk` / ストリーミングバックエンド）は同梱の `model.py` と [nelmo-ux/SenseVoice-mod](https://github.com/nelmo-ux/SenseVoice-mod) を参照してください
 ## 使い方
@@ -63,14 +67,14 @@ res = model.generate(input="audio.wav", language="ja", use_itn=True)
 ### チャンク（ストリーミング）推論
-同梱 `model.py` の `init_chunk_cache()` / `forward_chunk()`、または [SenseVoice-mod](https://github.com/nelmo-ux/SenseVoice-mod) の `streaming/` パッケージ（`backend="chunk"`）を使用してください。学習時ジオメトリ（window 12 / stride 10 / pad_right 2 / look_back 1）での評価値が上表です。
 ## ファイル
-- `model.pt` — ファインチューニング済み重み（ep4、weights のみ）
 - `config.yaml` / `configuration.json` / `am.mvn` / `chn_jpn_yue_eng_ko_spectok.bpe.model` — funasr ロードに必要な一式（ベースモデル由来）
 - `model.py` — チャンク推論対応のモデル実装（remote code）
-- `eval/` — FT前後のエポック別評価結果（JSON）
 ## ライセンス・帰属

 SenseVoiceSmall を**チャンクマスク学習（SCAMA方式）でファインチューニングした日本語特化モデル**です。ストリーミング（チャンク逐次）推論時の精度劣化を解消することを目的としています。
+ベースの SenseVoiceSmall は全区間双方向 attention で学習されているため、そのままチャンク推論すると精度が大きく劣化します。本モデルはダイナミックチャンクマスク（chunk_size を学習ステップごとに 8/12/16 からランダム選択）でファインチューニングを行い、このギャップをほぼ解消しました。
+**v2（現行）**: 300時間コーパス・H100×2（bf16）で学習。v1（54時間・Apple Silicon MPS）から全指標で改善。
+## 結果（v2、保留話者 5,194クリップ・日本語・CER、fp32評価）
 | モデル | チャンク推論 CER | フル注意 CER | ギャップ |
 |---|---|---|---|
+| SenseVoiceSmall（公開重み） | 0.4024 | 0.1781 | 0.2243 |
+| **本モデル v2** | **0.1679** | **0.1584** | **0.0095** |
+- チャンク推論 CER は**相対 58% 削減**、チャンクとフル注意の差は **96% 縮小**（0.2243 → 0.0095）
+- フル注意（非ストリーミング）推論もベースモデルより改善
 - 評価データは学習と話者を完全分離（声優単位のリーク検証済み）
+- `eval/` に評価の生JSON（採用条件と次点条件）を同梱
+## 学習詳細（v2）
+- **データ**: [OOPPEENN/VisualNovel_Dataset](https://huggingface.co/datasets/OOPPEENN/56697375616C4E6F76656C5F44617461736574) のサブセット300時間（196,047クリップ、24アーカイブ・22スタジオ、16kHz mono、話者分離 train/val 分割）
 - **方式**: GT教師あり CTC + ダイナミックチャンクマスク（chunk_size=[8,12,16] / stride=[6,10,14] / pad_left=0 / look_back=1、1フレーム=60ms）
+- **設定**: 4エポック、LR 2e-4（Noam、warmup 680 step ≈ 総ステップの8%）、実効バッチ 48,000 token、bf16、H100 NVL ×2 で約45分
 - **正規化**: モデルネイティブの全角句読点規約（！？…～）を維持。ASCII への NFKC 折り畳みは句読点について無効化
+- 学習・評価コードと再現手順: [nelmo-ux/SenseVoice-mod](https://github.com/nelmo-ux/SenseVoice-mod)（`feat/chunk-training` ブランチ、`docs/chunk_training.md`）
 ## 制約・注意
 - **日本語特化**です。中国語・広東語・英語・韓国語の性能は評価しておらず、維持対象外です
 - 感情・イベントラベルはベースモデルの機能を引き継ぎますが、本 FT では最適化していません
+- 同梱の `model.py` はチャンク推論対応版（`forward_chunk` / `init_chunk_cache` を含む）です
 ## 使い方
 ### チャンク（ストリーミング）推論
+同梱 `model.py` の `init_chunk_cache()` / `forward_chunk()`、または [SenseVoice-mod](https://github.com/nelmo-ux/SenseVoice-mod) の `streaming/` パッケージ（チャンクバックエンド）を使用してください。学習時ジオメトリ（window 12 / stride 10 / pad_right 2 / look_back 1）での評価値が上表���す。
 ## ファイル
+- `model.pt` — ファインチューニング済み重み（v2 採用チェックポイント、weights のみ）
 - `config.yaml` / `configuration.json` / `am.mvn` / `chn_jpn_yue_eng_ko_spectok.bpe.model` — funasr ロードに必要な一式（ベースモデル由来）
 - `model.py` — チャンク推論対応のモデル実装（remote code）
+- `eval/` — 全 val 確定評価の生JSON（採用 lr2e4/ep4・次点 lr6e4/ep4）
 ## ライセンス・帰属

eval/eval_full_lr2e4_ep4.json ADDED Viewed

	@@ -0,0 +1,241 @@

+{
+  "generated_at": "2026-08-16T17:36:28+00:00",
+  "device": "cuda",
+  "precision": {
+    "mode": "fp32",
+    "comparable_to_fp32_baseline": true,
+    "allow_tf32_requested": false,
+    "cudnn_allow_tf32": false,
+    "cuda_matmul_allow_tf32": false,
+    "cudnn_deterministic": true,
+    "float32_matmul_precision": "highest",
+    "note": "TF32 disabled explicitly; CUDA ran in fp32 to stay comparable to the fp32 baseline"
+  },
+  "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": "/workspace/models/SenseVoiceSmall",
+      "checkpoint": null
+    },
+    "finetuned": {
+      "dir": "/workspace/models/SenseVoiceSmall",
+      "checkpoint": "/outputs/run_lr2e4/model.pt.ep4"
+    }
+  },
+  "japanese": {
+    "note": "the selection axis: checkpoint choice keys off these numbers only",
+    "val": {
+      "jsonl": "/corpus/vn/val.jsonl",
+      "num_clips": 5194,
+      "metrics": {
+        "per_model": {
+          "base": {
+            "chunk": {
+              "cer": 0.4023662974910737,
+              "mean_cer": 0.4914901804851688,
+              "wer": 0.9986962190352021,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 42034,
+              "ref_words": 13806,
+              "word_edits": 13788
+            },
+            "chunk_last_partial": {
+              "cer": 0.4350751912087071,
+              "mean_cer": 0.5188694564001065,
+              "wer": 0.9962335216572504,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 45451,
+              "ref_words": 13806,
+              "word_edits": 13754
+            },
+            "full": {
+              "cer": 0.17806580068346942,
+              "mean_cer": 0.2572920595098674,
+              "wer": 0.970013037809648,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 18602,
+              "ref_words": 13806,
+              "word_edits": 13392
+            },
+            "chunk_minus_full_cer": 0.2243004968076043,
+            "chunk_vs_full_cer": 0.3284395888446859
+          },
+          "finetuned": {
+            "chunk": {
+              "cer": 0.1679382005800875,
+              "mean_cer": 0.22391173120153837,
+              "wer": 0.6450094161958568,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 17544,
+              "ref_words": 13806,
+              "word_edits": 8905
+            },
+            "chunk_last_partial": {
+              "cer": 0.2597853867728565,
+              "mean_cer": 0.3537779663494788,
+              "wer": 0.7392438070404173,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 27139,
+              "ref_words": 13806,
+              "word_edits": 10206
+            },
+            "full": {
+              "cer": 0.15843280653220634,
+              "mean_cer": 0.21153142062270727,
+              "wer": 0.6774590757641605,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 16551,
+              "ref_words": 13806,
+              "word_edits": 9353
+            },
+            "chunk_minus_full_cer": 0.009505394047881144,
+            "chunk_vs_full_cer": 0.08638681916209283
+          }
+        },
+        "delta": {
+          "chunk_cer": -0.23442809691098623,
+          "full_cer": -0.019632994151263072,
+          "chunk_minus_full_cer": -0.21479510275972316,
+          "chunk_vs_full_cer": -0.24205276968259304
+        }
+      }
+    },
+    "clips": []
+  },
+  "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": "/workspace/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���心新区有",
+            "chunk_vs_full_cer": 0.2727272727272727
+          },
+          "finetuned": {
+            "full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>我想我在滨海新区有房",
+            "chunk": "我想。海新区",
+            "chunk_last_partial": "我想。海新区",
+            "chunk_vs_full_cer": 0.5
+          }
+        },
+        "drift_cer_vs_base_full": 0.09090909090909091,
+        "gap_delta": 0.2272727272727273
+      }
+    ]
+  },
+  "selection": {
+    "metric": "ja_val_chunk_cer",
+    "value": 0.1679382005800875,
+    "model": "finetuned",
+    "note": "corpus CER of the complete chunk-mode decode on the held-out Japanese val set; lower is better"
+  },
+  "examples": [
+    {
+      "key": "0verflow_School_Days_HQ__ちっちゃい子__04_kb_c03_0630",
+      "scope": "japanese",
+      "reference": "ねー。ままー。あっち、ちゅーしてる",
+      "base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>ねえママあちチューしてる",
+      "base_chunk": "ねえマママ八九しててる",
+      "base_chunk_last_partial": "ねえマママ八九しててる",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ねえ、ママ、あっち、チューしてる",
+      "finetuned_chunk": "ねえ、まマ、あっち、ちゅーしてる",
+      "finetuned_chunk_last_partial": "ねえ、まマ、あっち、ちゅーしてる"
+    },
+    {
+      "key": "0verflow_School_Days_HQ__ちっちゃい子__04_kb_c03_0680",
+      "scope": "japanese",
+      "reference": "ちゅーだよ。ちゅー……あっ、ままー",
+      "base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>十だよじまあまあ",
+      "base_chunk": "十代だよじはマ奶",
+      "base_chunk_last_partial": "十代だよじはマ奶",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ちゅーだよ！ちゅー！わ、まーま",
+      "finetuned_chunk": "ちーだよ、ちゅーは、な",
+      "finetuned_chunk_last_partial": "ちーだよ、ちゅーは、な"
+    },
+    {
+      "key": "0verflow_School_Days_HQ__ちっちゃい子__04_kc_c03_0490",
+      "scope": "japanese",
+      "reference": "ねー。ままー。あっち、ちゅーしてる",
+      "base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>ねえママあちチューしてる",
+      "base_chunk": "ねえマママ八九しててる",
+      "base_chunk_last_partial": "ねえマママ八九しててる",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ねえ、ママ、あっち、チューしてる",
+      "finetuned_chunk": "ねえ、まマ、あっち、ちゅーしてる",
+      "finetuned_chunk_last_partial": "ねえ、まマ、あっち、ちゅーしてる"
+    },
+    {
+      "key": "0verflow_School_Days_HQ__ちっちゃい子__04_kc_c03_0540",
+      "scope": "japanese",
+      "reference": "ちゅーだよ。ちゅー……あっ、ままー",
+      "base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>十だよじまあまあ",
+      "base_chunk": "十代だよじはマ奶",
+      "base_chunk_last_partial": "十代だよじはマ奶",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ちゅーだよ！ちゅー！わ、まーま",
+      "finetuned_chunk": "ちーだよ、ちゅーは、な",
+      "finetuned_chunk_last_partial": "ちーだよ、ちゅーは、な"
+    },
+    {
+      "key": "0verflow_School_Days_HQ__みなみ__02_2s_r08_0130",
+      "scope": "japanese",
+      "reference": "どうせ、大した用じゃないんでしょ",
+      "base_full": "<|ja|><|SURPRISED|><|Speech|><|woitn|>どうせ大したようじゃないんでしょう",
+      "base_chunk": "どうせせ大ししたようじゃないないんでしょ",
+      "base_chunk_last_partial": "どうせせ大ししたようじゃない",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>どうせ、大したようじゃないんでしょ",
+      "finetuned_chunk": "どうせ、大したようじゃないんでしょ",
+      "finetuned_chunk_last_partial": "どうせ、大したようじゃな"
+    }
+  ],
+  "warnings": [
+    "bundled ja.mp3 not found under ~/.cache/huggingface/hub/models--FunAudioLLM--SenseVoiceSmall/snapshots/*/example/ja.mp3 - skipped; pull the HuggingFace snapshot or pass --ja-clip to include it"
+  ]
+}

eval/eval_full_lr6e4_ep4.json ADDED Viewed

	@@ -0,0 +1,241 @@

+{
+  "generated_at": "2026-08-16T16:54:50+00:00",
+  "device": "cuda",
+  "precision": {
+    "mode": "fp32",
+    "comparable_to_fp32_baseline": true,
+    "allow_tf32_requested": false,
+    "cudnn_allow_tf32": false,
+    "cuda_matmul_allow_tf32": false,
+    "cudnn_deterministic": true,
+    "float32_matmul_precision": "highest",
+    "note": "TF32 disabled explicitly; CUDA ran in fp32 to stay comparable to the fp32 baseline"
+  },
+  "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": "/workspace/models/SenseVoiceSmall",
+      "checkpoint": null
+    },
+    "finetuned": {
+      "dir": "/workspace/models/SenseVoiceSmall",
+      "checkpoint": "/outputs/run_lr6e4/model.pt.ep4"
+    }
+  },
+  "japanese": {
+    "note": "the selection axis: checkpoint choice keys off these numbers only",
+    "val": {
+      "jsonl": "/corpus/vn/val.jsonl",
+      "num_clips": 5194,
+      "metrics": {
+        "per_model": {
+          "base": {
+            "chunk": {
+              "cer": 0.4023662974910737,
+              "mean_cer": 0.4914901804851688,
+              "wer": 0.9986962190352021,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 42034,
+              "ref_words": 13806,
+              "word_edits": 13788
+            },
+            "chunk_last_partial": {
+              "cer": 0.4350751912087071,
+              "mean_cer": 0.5188694564001065,
+              "wer": 0.9962335216572504,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 45451,
+              "ref_words": 13806,
+              "word_edits": 13754
+            },
+            "full": {
+              "cer": 0.17806580068346942,
+              "mean_cer": 0.2572920595098674,
+              "wer": 0.970013037809648,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 18602,
+              "ref_words": 13806,
+              "word_edits": 13392
+            },
+            "chunk_minus_full_cer": 0.2243004968076043,
+            "chunk_vs_full_cer": 0.3284395888446859
+          },
+          "finetuned": {
+            "chunk": {
+              "cer": 0.16874228225181157,
+              "mean_cer": 0.22313613924150844,
+              "wer": 0.6497175141242938,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 17628,
+              "ref_words": 13806,
+              "word_edits": 8970
+            },
+            "chunk_last_partial": {
+              "cer": 0.2664190605645802,
+              "mean_cer": 0.3629660993168242,
+              "wer": 0.74655946689845,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 27832,
+              "ref_words": 13806,
+              "word_edits": 10307
+            },
+            "full": {
+              "cer": 0.15495802502225584,
+              "mean_cer": 0.2095499274899328,
+              "wer": 0.6350861944082283,
+              "num_clips": 5194,
+              "ref_chars": 104467,
+              "char_edits": 16188,
+              "ref_words": 13806,
+              "word_edits": 8768
+            },
+            "chunk_minus_full_cer": 0.01378425722955573,
+            "chunk_vs_full_cer": 0.08310036060127224
+          }
+        },
+        "delta": {
+          "chunk_cer": -0.23362401523926216,
+          "full_cer": -0.02310777566121358,
+          "chunk_minus_full_cer": -0.21051623957804858,
+          "chunk_vs_full_cer": -0.24533922824341364
+        }
+      }
+    },
+    "clips": []
+  },
+  "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": "/workspace/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��新区有",
+            "chunk_vs_full_cer": 0.2727272727272727
+          },
+          "finetuned": {
+            "full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>…わしは…わざ海進駐をファ",
+            "chunk": "我シは…おざピ海進駐フ",
+            "chunk_last_partial": "我シは…おざピ海進駐",
+            "chunk_vs_full_cer": 0.5454545454545454
+          }
+        },
+        "drift_cer_vs_base_full": 1.0,
+        "gap_delta": 0.2727272727272727
+      }
+    ]
+  },
+  "selection": {
+    "metric": "ja_val_chunk_cer",
+    "value": 0.16874228225181157,
+    "model": "finetuned",
+    "note": "corpus CER of the complete chunk-mode decode on the held-out Japanese val set; lower is better"
+  },
+  "examples": [
+    {
+      "key": "0verflow_School_Days_HQ__ちっちゃい子__04_kb_c03_0630",
+      "scope": "japanese",
+      "reference": "ねー。ままー。あっち、ちゅーしてる",
+      "base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>ねえママあちチューしてる",
+      "base_chunk": "ねえマママ八九しててる",
+      "base_chunk_last_partial": "ねえマママ八九しててる",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ねえ、まま。あっち、ちゅーしてる",
+      "finetuned_chunk": "ね、まま。あっち、ちーしてる",
+      "finetuned_chunk_last_partial": "ね、まま。あっち、ちーしてる"
+    },
+    {
+      "key": "0verflow_School_Days_HQ__ちっちゃい子__04_kb_c03_0680",
+      "scope": "japanese",
+      "reference": "ちゅーだよ。ちゅー……あっ、ままー",
+      "base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>十だよじまあまあ",
+      "base_chunk": "十代だよじはマ奶",
+      "base_chunk_last_partial": "十代だよじはマ奶",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ちゅーだよ！ちゅー！わ、まあまあ",
+      "finetuned_chunk": "ちだよ！1ゅ！あ、メーま！",
+      "finetuned_chunk_last_partial": "ちだよ！1ゅ！あ、メーま"
+    },
+    {
+      "key": "0verflow_School_Days_HQ__ちっちゃい子__04_kc_c03_0490",
+      "scope": "japanese",
+      "reference": "ねー。ままー。あっち、ちゅーしてる",
+      "base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>ねえママあちチューしてる",
+      "base_chunk": "ねえマママ八九しててる",
+      "base_chunk_last_partial": "ねえマママ八九しててる",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ねえ、まま。あっち、ちゅーしてる",
+      "finetuned_chunk": "ね、まま。あっち、ちーしてる",
+      "finetuned_chunk_last_partial": "ね、まま。あっち、ちーしてる"
+    },
+    {
+      "key": "0verflow_School_Days_HQ__ちっちゃい子__04_kc_c03_0540",
+      "scope": "japanese",
+      "reference": "ちゅーだよ。ちゅー……あっ、ままー",
+      "base_full": "<|ja|><|EMO_UNKNOWN|><|Speech|><|woitn|>十だよじまあまあ",
+      "base_chunk": "十代だよじはマ奶",
+      "base_chunk_last_partial": "十代だよじはマ奶",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>ちゅーだよ！ちゅー！わ、まあまあ",
+      "finetuned_chunk": "ちだよ！1ゅ！あ、メーま！",
+      "finetuned_chunk_last_partial": "ちだよ！1ゅ！あ、メーま"
+    },
+    {
+      "key": "0verflow_School_Days_HQ__みなみ__02_2s_r08_0130",
+      "scope": "japanese",
+      "reference": "どうせ、大した用じゃないんでしょ",
+      "base_full": "<|ja|><|SURPRISED|><|Speech|><|woitn|>どうせ大したようじゃないんでしょう",
+      "base_chunk": "どうせせ大ししたようじゃないないんでしょ",
+      "base_chunk_last_partial": "どうせせ大ししたようじゃない",
+      "finetuned_full": "<|ja|><|NEUTRAL|><|Speech|><|woitn|>どうせ、大したようじゃないんでしょ？",
+      "finetuned_chunk": "どうせ、大したようじゃないんでしょ？",
+      "finetuned_chunk_last_partial": "どうせ、大したようじゃ"
+    }
+  ],
+  "warnings": [
+    "bundled ja.mp3 not found under ~/.cache/huggingface/hub/models--FunAudioLLM--SenseVoiceSmall/snapshots/*/example/ja.mp3 - skipped; pull the HuggingFace snapshot or pass --ja-clip to include it"
+  ]
+}

model.pt CHANGED Viewed

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:b6475152bc6bda2e0266db22176f28822655182d0754afa303e3095120c2620a
-size 936290143

 version https://git-lfs.github.com/spec/v1
+oid sha256:f5982ee0d7eb5e179376e4656035c16cfdfc3c341c69f2747d200ad8289eb15a
+size 936300660