Third Intelligence의 일본어 음성 인식 모델: NVIDIA Parakeet-TDT 구조(FastConformer 인코더 + TDT 디코더, 디코딩 시 여러 프레임을 한 번에 건너뜀)를 따르며, 예측 네트워크의 LSTM을 Kimi Linear의 Kimi Delta Attention으로 교체했습니다. 공식적으로 정확도는 더 높고 속도는 거의 동일하다고 합니다. 학습에는 약 46,000시간의 공개 데이터셋(ReazonSpeech, Common Voice, YODAS)과 내부 데이터가 사용되었습니다. 10월 22일에 가중치가 업로드되었으며, 최근 7기간 동안에는 등재되지 않았습니다.
상승 점수 54 · 좋아요 55 · 다운로드 수 1532
이유
- 공식적으로 자체 구축 및 공개한 asr-ja-bench v1.1(5개의 공개 데이터셋, 23.38시간, 평가 데이터는 학습에 전혀 포함되지 않음)에서 가중 CER strict 6.12%를 기록하여, 테스트된 오픈소스 모델 중 가장 낮으며 GPT-Transcribe(6.07%)와 유사한 수준입니다. MAI-Transcribe 2, Scribe v2, Gemini 3.1 Pro가 더 정확합니다.
- 속도: 공식적으로 단일 H200에서 RTFx 3,236을 달성했다고 하며, Parakeet(3,407)과 거의 같은 속도이지만 CER strict는 약 1.1포인트 낮습니다. Nemotron 3.5 Transcribe 및 Whisper large-v3보다 약 15–17배 빠릅니다. 일본 지역 H200의 종량제 가격을 기준으로 추정할 때, 1시간 분량의 오디오 전사 비용은 약 0.003–0.004달러입니다.
- 실용적인 기능이 완비되어 있습니다: 긴 오디오는 무음 구간을 기준으로 분할하여 일괄 전사할 수 있습니다. 인명, 용어는 맞춤 어휘 목록(표기는 발음에 대응)을 추가할 수 있으며, 공식적으로 시간이 약 1.3배 더 소요된다고 합니다. NVIDIA Nemotron-3-Diarization과 함께 사용하면 화자 태그가 포함된 스크립트를 생성할 수 있습니다.
사용법
- pip install "haas-asr @ git+https://github.com/third-intelligence/Haas-ASR.git"을 실행한 후, model = haas_asr.load_model("third-intelligence/Haas-ja-v1.0"), audio = haas_asr.load_audio("example.wav"), model.transcribe([audio])를 사용합니다. 30초를 초과하는 녹음 파일은 haas_asr.transcribe_longform(model, audio, batch_size=64)을 사용합니다.
- 맞춤 어휘 목록: haas_asr.Vocabulary({"표기": ["발음(가나)"]})을 생성하여 transcribe 또는 transcribe_longform의 vocabulary 매개변수로 전달합니다.
- 효과를 먼저 확인하려면 공식 Space의 긴 오디오 페이지 third-intelligence-haas-ja-v1-0.hf.space/longform을 사용할 수 있습니다.
리스크
- 일본어만 인식합니다. Linux + NVIDIA GPU + NeMo 2.7이 필요하며, 예측 네트워크는 flash-linear-attention의 Triton / CUDA 커널에 의존하므로 CPU 및 macOS에서는 실행할 수 없습니다.
- 오프라인 문장 단위 전사를 위해 학습되었으므로, 저지연 스트리밍을 위해서는 추가 튜닝이 필요합니다. 출력 스타일을 제어할 수 없으며, 어조사를 생략하는 경향이 있고 한자, 가나 및 숫자의 표기는 학습 데이터에 따릅니다.
- 벤치마크는 공식적으로 자체 정리한 것입니다(샘플 메타데이터 및 재구성 스크립트가 공개됨). 비용은 GPU 만부하 기준으로 추정되며 운영 비용은 포함되지 않습니다. 상용 API의 속도는 OpenRouter를 통해 측정되었으며 네트워크 시간을 포함하므로 참고용으로만 사용하십시오.