tokimoa/kana-whisper-mlx-4bit

kana-whisper (MLX 4bit, verified)

SB Intuitionsの kana-whisper（Whisper large-v3-turboのファインチューン。日本語音声をカタカナ列に直接書き起こすASR）を、公式fp32重みからMLX fp16経由で4bit量子化（group size 64）したものです。変換品質の検証済みで公開しています。

Sarashina2.2-TTSプロジェクトのKana CER（カナ文字誤り率）測定の基盤モデルです。Apple Silicon上でTTS評価ループをローカル完結させる用途に使えます。

変換品質の検証（tokimoa）

• transformers版（fp32・greedy）との出力比較: 11クリップ中10クリップで完全一致、**文字誤り率0.29%**（348文字中、差分は助詞1文字のみ。合成音声8本＋JSUT実音声3本）
• 同一入力4回反復: 全クリップで出力完全一致（決定論的）
• 実効速度: 11クリップ合計 約3.7秒（M4 Max、モデルロード込み）/ 重み463MB（fp16版1.6GBの約29%）
• 高い忠実度が必要な場合は fp16版 を推奨

使い方

# pip install mlx-whisper
import mlx_whisper

result = mlx_whisper.transcribe(
    "audio.wav",
    path_or_hf_repo="tokimoa/kana-whisper-mlx-4bit",
    language="ja", task="transcribe", temperature=0.0,
)
print(result["text"])
# 例: "キョーワイーテンキデスネ"

変換情報

• 変換元: sbintuitions/kana-whisper（fp32 safetensors、HF transformers形式）
• 変換: mlx-examples whisper convert.py（HF形式→MLXキーマッピング hf_to_pt 使用）/ mlx-whisper 0.4.3 で動作確認
• 重みファイル名は weights.safetensors（pip版 mlx-whisper 0.4.3 のローダーがこの名前のみ読み込むため）
• alignment_heads は未設定のため、単語レベルのタイムスタンプ精度は保証外です（書き起こし用途には影響なし）

ライセンス

MIT（元モデルのライセンスに準拠）。変換者: tokimoa