moss-anime

日本語のアニメ・ゲーム音声向けに追加学習した ASR（0.9B）です。 OpenMOSS-Team/MOSS-Transcribe-Diarize（Apache-2.0）をベースにしています。

個人の実験の成果物を供養として公開するものです。

• 精度は anime-whisper と同程度

使い方（最低限）

pip install -r code/requirements.txt     # torch は環境に合った CUDA 版を先に入れる
python code/transcribe.py voice.wav
python code/transcribe.py ep01.wav --srt ep01.srt
python code/transcribe.py folder --out result.jsonl

出力は [開始-終了] S01: テキスト です。動作確認は Python 3.12、torch 2.11 + CUDA 12.8、transformers 5.20.2、RTX 3060 です。 音声の読み込みに librosa と av が必要です（code/requirements.txt に含めています）。

おすすめ設定は「既定（greedy）」

• 長い音声では、--num_beams 4 を付けると、同じ文を繰り返す暴走が出ることがありました（49〜100 秒の音声で確認）。長尺では付けないでください。
• 「！」「？」を多く残したいときは --punct_bias 1 を試せます。ただしビームサーチとは併用しないでください。
• 安全装置（ループ防止・出力長の上限・温度を上げた再デコード・無音ゲート）は既定でオンです。

評価（参考）

• 成人向けゲーム音声 100 件: CER 21.7%。誤りの大半は喘ぎ・吐息など非言語の表記ゆれで、台本にもアドリブとのずれがあります

分かっている弱点

• 高い声のアニメ声の聞き取りは anime-whisper よりやや弱い
• 文末の「！」「？」「っ」を落としやすい
• 固有名詞（人名・作品固有語）は外れやすい
• 喘ぎ・吐息などの非言語音は、表記が一意に決まらないため正解との一致が低い
• ビームサーチでの暴走（上記）

学習

• ベース: MOSS-Transcribe-Diarize
• v1: 合成会話（約 2,100 時間）を 1 エポック
• v2: v1 から続けて、未使用クリップで再学習（約 2,160 時間、25,027 ステップ、学習率 7e-6）

ライセンス

コードと重みはベースモデルに従い Apache-2.0 です（LICENSE）。 学習音声の権利は各権利者に帰属します。利用は自己責任でお願いします。