Модель распознавания японской речи от Third Intelligence: использует архитектуру NVIDIA Parakeet-TDT (энкодер FastConformer + декодер TDT, способный пропускать несколько кадров за один шаг декодирования), заменяя LSTM в предсказывающей сети на Kimi Delta Attention из Kimi Linear. По официальным данным, это повышает точность при практически неизменной скорости. Обучение проводилось на примерно 46,000 часах общедоступных данных (ReazonSpeech, Common Voice, YODAS) и внутренних данных. Веса были загружены 22 10, за последние 7 периодов модель не включалась в подборки.
Рост рейтинга на 54 · лайков 55 · загрузок 1532
Обоснование
- На собственном публичном бенчмарке asr-ja-bench v1.1 (включающем 5 общедоступных наборов данных, 23.38 часов аудио, тестовые данные полностью исключены из обучения) официальная команда получила взвешенный показатель CER strict 6.12%, что является лучшим результатом среди протестированных открытых моделей и сопоставимо с GPT-Transcribe (6.07%); модели MAI-Transcribe 2, Scribe v2 и Gemini 3.1 Pro показывают более высокую точность.
- Скорость: по официальным данным, на одной видеокарте H200 достигается RTFx 3,236, что сопоставимо со скоростью Parakeet (3,407), но с показателем CER strict ниже примерно на 1.1 процентных пункта. Модель примерно в 15–17 раза быстрее, чем Nemotron 3.5 Transcribe и Whisper large-v3. При расчете по ценам на H200 в японском регионе на условиях оплаты по факту использования транскрипция одного часа аудио обходится примерно в 0.003–0.004 доллара.
- Наличие полезных функций: пакетная транскрипция длинных аудиофайлов с разбиением по паузам; поддержка пользовательских словарей для имен собственных и терминов (написание соответствует произношению), что, по официальным данным, увеличивает время обработки примерно в 1.3 раз; интеграция с NVIDIA Nemotron-3-Diarization позволяет получать транскрипты с метками говорящих.
Использование
- Выполните
pip install "haas-asr @ git+https://github.com/third-intelligence/Haas-ASR.git", затем используйте код:model = haas_asr.load_model("third-intelligence/Haas-ja-v1.0"),audio = haas_asr.load_audio("example.wav"),model.transcribe([audio]). Для записей длительностью более 30 секунд используйтеhaas_asr.transcribe_longform(model, audio, batch_size=64). - Пользовательский словарь:
haas_asr.Vocabulary({"написание": ["произношение (хирагана)"]}), который передается в параметрvocabularyфункцийtranscribeилиtranscribe_longform. - Для предварительного прослушивания результатов можно использовать страницу длинных аудиофайлов в официальном Space: third-intelligence-haas-ja-v1-0.hf.space/longform.
Риски
- Поддерживается только японский язык. Требуется Linux, GPU NVIDIA и NeMo 2.7. Предсказывающая сеть зависит от ядер Triton / CUDA из библиотеки flash-linear-attention, поэтому запуск на CPU и macOS невозможен.
- Модель обучена для офлайн-транскрипции целых предложений; для работы в режиме реального времени с низкой задержкой требуется дополнительная настройка. Стиль вывода не контролируется, модель склонна опускать частицы и междометия, а написание иероглифов, каны и цифр зависит от обучающих данных.
- Бенчмарк составлен самой командой разработчиков (метаданные выборки и скрипты для воспроизведения опубликованы). Оценка стоимости основана на полной загрузке GPU и не включает операционные расходы. Скорость коммерческого API измерена через OpenRouter и включает сетевые задержки, поэтому служит лишь ориентировочным значением.