Expose confidence estimation / token probabilities (currently always 1.0)
メンテナーはふだん 5 日以内に返信
@pskrunner14 がすでに取り組んでいます。
2026年9月30日 から。
評価
調査の方向性
Start at the /v1/audio/transcriptions endpoint and trace how its confidence response field is produced, then inspect the decoder output that currently yields per-token probabilities. Use NeMo's documented entropy-based confidence_cfg as a reference for the intended behavior. Done means the API returns useful varying confidence values rather than always returning 1.0, including for incorrect, silent, or garbled audio.
索引モデルが issue の本文から書いたものです。
説明
Description:
I'm running nemotron-3.5-asr-streaming-0.6b via nemo-speech.cpp's /v1/audio/transcriptions endpoint. The confidence field in the response is always exactly 1.0, regardless of whether the transcription is actually correct.
Concrete example: audio saying "chi è Alfonso?" (Italian) is transcribed as "che è alfonso" (wrong word) — still returns confidence: 1.0. It also returns 1.0 on pure silence and on clearly hallucinated/garbled output.
I switched to running the same model through the full NeMo Python toolkit directly (not this C++ port), enabling decoding_cfg.confidence_cfg with the entropy-based method (tsallis entropy, entropy_norm: exp) documented in NeMo's own docs. That gives real, varying per-word confidence values (e.g., 0.02–0.9 depending on the utterance), which is genuinely useful for rejecting hallucinated output — something a flat 1.0 can't do.
Is there a plan to expose this confidence estimation in nemo-speech.cpp's API? The underlying decoder already computes per-token probabilities to pick output tokens, so it seems like this would be a matter of exposing an existing internal computation rather than a fundamental limitation — similar to a related open request on transcribe.cpp (#164) asking for per-token logprobs on Parakeet TDT/Qwen3-ASR.
Happy to share the exact confidence_cfg I used if useful!
- 主要言語
- C++
- スター
- 150
- フォーク
- 32
- 平均マージ
- 8日 4時間
- マージ済み PR（30日）
- 9
環境構築
- Dockerfile・Docker Compose ファイルなし
- プルリクエストのテンプレートなし
- コントリビューションガイドを読む
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
NVIDIA/NeMo-Speech.cpp のほかの issue
-
enhancement
NVIDIA/NeMo-Speech.cpp#56 · コメント 3 件 ·
メンテナーはふだん 5 日以内に返信
-
難易度 4/5 3〜5日 初心者へのやさしさ 52/100
NVIDIA/NeMo-Speech.cpp#49 · コメント 1 件 · リアクション 1 件 ·
メンテナーはふだん 5 日以内に返信
-
Streaming RNNT wedges after sustained zero-PCM silence; Vulkan aborts with GGML_ASSERT(ne3 == ne13)オープン
難易度 4/5 3〜5日 初心者へのやさしさ 48/100
NVIDIA/NeMo-Speech.cpp#48 ·
メンテナーはふだん 5 日以内に返信
-
Token-silence EOU misfires mid-sentence, hard reset corrupts transcript対応中かも @ryanleary が 25 日前に担当しました。 オープン
難易度 5/5 1週間以上 初心者へのやさしさ 45/100
NVIDIA/NeMo-Speech.cpp#40 ·
メンテナーはふだん 5 日以内に返信
-
難易度 4/5 3〜5日 初心者へのやさしさ 48/100
NVIDIA/NeMo-Speech.cpp#34 ·
メンテナーはふだん 5 日以内に返信
NVIDIA/NeMo-Speech.cpp の issue をすべて見る
似ている issue
-
enhancement
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
メンテナーはふだん 1 日以内に返信
-
iOS: hidden scale bar invalidates its intrinsic content size on every layout pass of MLNMapViewオープン
難易度 2/5 1〜3時間 初心者へのやさしさ 85/100
maplibre/maplibre-native#4723 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 78/100
HarbourMasters/Shipwright#7320 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
-
Make Catch2 optional when `RDK_BUILD_CPP_TESTS=OFF`対応中かも @pechersky が今日担当しました。 オープンbug
難易度 2/5 1〜3時間 初心者へのやさしさ 82/100
メンテナーはふだん 2 日以内に返信