Modèle de reconnaissance vocale en japonais de Third Intelligence : il reprend la structure de NVIDIA Parakeet-TDT (encodeur FastConformer + décodeur TDT, capable de sauter plusieurs images lors du décodage), remplace le LSTM du réseau de prédiction par l'attention Kimi Delta de Kimi Linear, et affiche selon les données officielles une précision accrue avec une vitesse quasi inchangée. L'entraînement a utilisé environ 46,000 heures de corpus public (ReazonSpeech, Common Voice, YODAS) ainsi que des données internes. Les poids ont été téléchargés le 22 10, et le modèle n'a pas été inclus dans les 7 dernières périodes.
Score en hausse de 54 · J'aime : 55 · Téléchargements : 1532
Raisons
- Sur le benchmark asr-ja-bench v1.1 (constitué et publié par l'équipe officielle, comprenant 5 jeux de données publics et 23.38 heures, avec des données d'évaluation totalement absentes de l'entraînement), le modèle obtient un CER strict pondéré de 6.12%, le plus bas parmi les modèles open source testés, comparable à GPT-Transcribe (6.07%) ; MAI-Transcribe 2, Scribe v2 et Gemini 3.1 Pro sont plus précis.
- Vitesse : selon les données officielles, le facteur temps réel (RTFx) atteint 3,236 sur une seule carte H200, soit une vitesse proche de celle de Parakeet (3,407) avec un CER strict inférieur d'environ 1.1 points, et environ 15 à 17 fois plus rapide que Nemotron 3.5 Transcribe et Whisper large-v3 ; en estimant le coût au tarif à la demande des GPU H200 dans la région Japon, la transcription d'une heure d'audio coûte environ 0.003 à 0.004 dollars.
- Fonctionnalités pratiques complètes : segmentation automatique par silence pour la transcription par lots de longs audios ; possibilité d'ajouter des listes personnalisées de termes et de noms propres (correspondance orthographe-prononciation), ce qui entraîne selon l'équipe officielle un temps de traitement supplémentaire d'environ 1.3 fois ; couplé à NVIDIA Nemotron-3-Diarization, il permet de générer des transcriptions avec étiquettes de locuteurs.
Utilisation
- Exécutez pip install "haas-asr @ git+https://github.com/third-intelligence/Haas-ASR.git", puis model = haas_asr.load_model("third-intelligence/Haas-ja-v1.0"), audio = haas_asr.load_audio("example.wav"), model.transcribe([audio]) ; pour les enregistrements dépassant 30 secondes, utilisez haas_asr.transcribe_longform(model, audio, batch_size=64).
- Liste personnalisée de termes : haas_asr.Vocabulary({"orthographe": ["prononciation (kana)"]}), à passer en paramètre vocabulary dans transcribe ou transcribe_longform.
- Pour tester rapidement le résultat, consultez la page dédiée aux longs audios de l'espace officiel : third-intelligence-haas-ja-v1-0.hf.space/longform.
Risques
- Reconnaissance limitée au japonais ; nécessite Linux + GPU NVIDIA + NeMo 2.7, le réseau de prédiction dépend des noyaux Triton / CUDA de flash-linear-attention, et ne fonctionne pas sur CPU ni macOS.
- Entraîné pour la transcription hors ligne phrase par phrase, la latence faible en mode streaming nécessite encore des ajustements ; le style de sortie n'est pas contrôlable, avec une tendance à omettre les particules modales, et l'orthographe des kanji, kana et chiffres suit celle des données d'entraînement.
- Le benchmark est établi par l'équipe officielle (les métadonnées des échantillons et les scripts de reconstruction sont publics) ; le coût est estimé sur la base d'une utilisation maximale du GPU, hors frais opérationnels ; la vitesse de l'API commerciale a été mesurée via OpenRouter, incluant le temps réseau, et ne sert qu'à titre indicatif.