Third Intelligence 的日语语音识别模型：沿用 NVIDIA Parakeet-TDT 的结构（FastConformer 编码器 + TDT 解码器，解码时能一次跳过几帧），把预测网络里的 LSTM 换成 Kimi Linear 的 Kimi Delta Attention，官方称准确率更高、速度几乎不变。训练用了约 46,000 小时公开语料（ReazonSpeech、Common Voice、YODAS）加内部数据。10 月 22 日上传权重，近 7 期没有收录。
上升分 54 · 点赞 55 · 下载量 1532
理由
- 官方在自建并公开的 asr-ja-bench v1.1（5 个公开数据集、23.38 小时，评测数据完全没进训练）上测得加权 CER strict 6.12%，是所测开源模型里最低的，和 GPT-Transcribe（6.07%）相当；MAI-Transcribe 2、Scribe v2、Gemini 3.1 Pro 更准。
- 速度：官方称单张 H200 上 RTFx 3,236，和 Parakeet（3,407）差不多快、CER strict 低约 1.1 个点，比 Nemotron 3.5 Transcribe 和 Whisper large-v3 快约 15–17 倍；按日本区 H200 按需价估算，转写一小时音频约 0.003–0.004 美元。
- 实用功能齐：长音频按静音切段批量转写；人名、术语可以加自定义词表（写法对应读音），官方称多花约 1.3 倍时间；配 NVIDIA Nemotron-3-Diarization 能出带说话人标签的稿子。
用法
- pip install "haas-asr @ git+https://github.com/third-intelligence/Haas-ASR.git"，然后 model = haas_asr.load_model("third-intelligence/Haas-ja-v1.0")、audio = haas_asr.load_audio("example.wav")、model.transcribe([audio])；超过 30 秒的录音用 haas_asr.transcribe_longform(model, audio, batch_size=64)。
- 自定义词表：haas_asr.Vocabulary({"写法": ["读音（假名）"]})，作为 vocabulary 参数传给 transcribe 或 transcribe_longform。
- 先听效果可以用官方 Space 的长音频页 third-intelligence-haas-ja-v1-0.hf.space/longform。
风险
- 只识别日语；要 Linux + NVIDIA GPU + NeMo 2.7，预测网络依赖 flash-linear-attention 的 Triton / CUDA 内核，CPU 和 macOS 跑不了。
- 为离线整句转写训练，低延迟流式还要再调；输出风格不能控制，倾向省略语气词，汉字、假名和数字的写法跟训练数据走。
- 基准是官方自己整理的（样本元数据和重建脚本已公开）；成本按 GPU 满载估算，不含运营开销；商用 API 的速度经 OpenRouter 测，含网络时间，只作参考。