Third Intelligence の日本語音声認識モデル：NVIDIA Parakeet-TDT の構造（FastConformer エンコーダ + TDT デコーダ、デコード時に数フレームを一度にスキップ可能）を採用し、予測ネットワーク内の LSTM を Kimi Linear の Kimi Delta Attention に置き換えた。公式によれば、精度は向上し、速度はほぼ変わらないという。学習には約 46,000 時間の公開コーパス（ReazonSpeech、Common Voice、YODAS）と社内データを使用。10 月 22 日に重みをアップロードしたが、直近の 7 期間では収録されていない。
上昇スコア 54 · いいね数 55 · ダウンロード数 1532
理由
- 公式が独自に構築・公開した asr-ja-bench v1.1（5 個の公開データセット、23.38 時間、評価データは学習に含まれていない）で測定した加重 CER strict は 6.12% で、テストされたオープンソースモデルの中で最低値を示し、GPT-Transcribe（6.07%）と同等である。MAI-Transcribe 2、Scribe v2、Gemini 3.1 Pro の方がより高精度である。
- 速度：公式によれば、単一の H200 で RTFx 3,236 を達成し、Parakeet（3,407）とほぼ同等の速度ながら、CER strict は約 1.1 ポイント低い。Nemotron 3.5 Transcribe や Whisper large-v3 よりも約 15～17 倍高速である。日本リージョンの H200 オンデマンド価格に基づく試算では、1時間の音声文字起こしに約 0.003～0.004 ドルかかる。
- 実用的な機能が充実：長い音声は静音区間で分割してバッチ処理で文字起こし可能。人名や専門用語にはカスタム語彙リスト（表記に対応する読み方）を追加でき、公式によれば処理時間は約 1.3 倍増加する。NVIDIA Nemotron-3-Diarization と組み合わせることで、話者ラベル付きの文字起こし結果が得られる。
使い方
- pip install "haas-asr @ git+https://github.com/third-intelligence/Haas-ASR.git" を実行後、model = haas_asr.load_model("third-intelligence/Haas-ja-v1.0")、audio = haas_asr.load_audio("example.wav")、model.transcribe([audio]) と記述する。30 秒を超える録音には haas_asr.transcribe_longform(model, audio, batch_size=64) を使用する。
- カスタム語彙リスト：haas_asr.Vocabulary({"表記": ["読み（かな）"]}) を定義し、vocabulary パラメータとして transcribe または transcribe_longform に渡す。
- まず効果を試したい場合は、公式 Space の長尺音声ページ third-intelligence-haas-ja-v1-0.hf.space/longform を利用できる。
リスク
- 日本語のみ認識可能。Linux + NVIDIA GPU + NeMo 2.7 が必要であり、予測ネットワークは flash-linear-attention の Triton / CUDA カーネルに依存しているため、CPU や macOS では動作しない。
- オフラインの全文文字起こし用に訓練されているため、低遅延のストリーミングにはさらなる調整が必要である。出力スタイルは制御できず、語尾などの助詞を省略する傾向があり、漢字・かな・数字の表記は訓練データに準拠する。
- ベンチマークは公式が独自に整理したものである（サンプルメタデータと再構築スクリプトは公開済み）。コストは GPU 最大稼働時の見積もりであり、運用オーバーヘッドは含まれていない。商用 API の速度は OpenRouter で測定されたもので、ネットワーク時間を含まない参考値である。