third-intelligence/Haas-ja-v1.0 · Hugging Face

Use this model Haas-ja-v1.0 Haas-ja-v1.0 is a Japanese speech recognition model built to be both fast and accurate. It is based on NVIDIA's Parakeet-TDT architecture: a FastConformer encoder and a Token-and-Duration Transducer (TDT) decoder, here with a prediction network that uses Kimi Delta Attention (KDA). The name is an acronym of Hear Anything At Speed and a nod to Helmut Haas, the acousticia

[misshiki]

日本語音声認識モデル「Haas-ja-v1.0」をApache 2.0で公開。約6.2億パラメータ、開発元評価で文字誤り率6.12%。H200のバッチ処理でWhisper large-v3などの約15〜17倍速。

[urtz]

Windows動作環境はない。ストリーミング非対応だが、可能かも

[nguyen-oi]

日本語音声認識で高速かつ商用API並の精度をローカルで動かせるのは普通にすごい

[gogatsu26]

“Haas-ja-v1.0は、高速かつ高精度な日本語音声認識モデルです。NVIDIAのParakeet-TDTアーキテクチャをベースとしており、FastConformerエンコーダとToken-and-Duration Transducer（TDT）デコーダで構成されています”

[toaruR]

これは良い