icefall-kws-zipformer-gigaspeech-finetuned-20240219

这是 Icefall 流式 Zipformer KWS 模型的 Hugging Face Transformers 格式转换仓库。 本次工作只包装模型结构，并把原始 PyTorch checkpoint 无损转换为 safetensors；没有重新训练、 微调、量化或修改任何权重，也不代表原作者发布了新的模型版本。

来源与校验

• 原始仓库或发布页：https://github.com/pkufool/keyword-spotting-models/releases/tag/v0.11
• 原始发布：v0.11
• 原始 checkpoint：exp-finetune/pretrained.pt
• 原始 checkpoint SHA256：0778a9321e9ef1674c96b2c96487fd0122b4f9f1ac86b3ff1bc21ac360102f75
• 原始 tokenizer SHA256：c8a2a0129c4ab8e463164c142f82d25649661b122c8cd0b7aab5c9e80b90ad24
• 参数量：3,487,033
• 许可证：Apache License 2.0

模型实现来自 k2-fsa/icefall，本仓库保留了推理所需的 自定义模型代码。仓库附带原始 SentencePiece 模型以及大小关键词表。

Transformers 加载

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained(
    "MigoXV/icefall-kws-zipformer-gigaspeech-finetuned-20240219",
    trust_remote_code=True,
).eval()

features = torch.zeros(1, 45, 80)
lengths = torch.tensor([45], dtype=torch.int64)
states = model.get_init_states(batch_size=1, device=features.device)
output = model(
    input_features=features,
    input_features_lens=lengths,
    states=states,
)
print(output.last_hidden_state.shape, output.output_lengths)

自定义代码会在加载时执行；生产环境应审阅代码并把 revision 固定为明确的 Hub commit。 模型接收已经计算好的 80 维 Kaldi Fbank，采样率为 16kHz，流式窗口为 45 帧。

对齐结果

权重逐项完全一致；CPU/CUDA 数值对齐通过；本地录音 8 段（合计 274.1 秒）的离线与不同切块流式事件完全一致。

发布前会比较原始 PT 与 Transformers/safetensors 在 CPU、CUDA、合成特征和本地录音上的 权重、流式状态、encoder 输出与最终关键词事件。机器可读结果见 alignment.json。

限制

• 这是低层模型格式转换，不是 Hugging Face pipeline 的端到端音频分类器。
• 关键词图、音频重采样、Fbank、流式切块和 beam search 仍需调用方实现。
• 转换没有改变原模型的训练数据、精度、偏差和适用范围。