llama.cpp プロジェクトはバージョン b11190 をリリースし、LFM2 オーディオ モデルで使用される mel プリプロセッサの修正を含んでいます。この変更は、英語の 4.5% と日本語の 6.5% のテスト発話で異なる貪欲なトランスクリプトを引き起こしていた不一致に対処します。

  • log(x + 2^-24) を使用し、対数の下限へのクランプに代えます。
  • torch.hann_window(periodic=False) と同等の対称ハニング ウィンドウを実装します。
  • 平方根の中ではなく、標準偏差に正規化 epsilon を追加します。
  • liquid-audio と比較した mel の相対 L2 エラーを、英語と日本語の両方で ~3-4% から中央値 ~2e-6 に削減します。

このアップデートにより、lfm2a プリプロセッサが参照実装の出力と一致し、複数の言語および精度フォーマット全体でトランスクリプションの精度が向上します。