日本語の音声認識モデル「Haas-ja-v1.0」が話題。無料公開で、自社のGPUで長い録音も文字起こしできる

おい、Xに新たな天才が降臨して、とんでもないモデル出してるから、デモを見てくれ。
これ、リアルタイム文字起こしやぞ…？

日本語認識スコアの高いASR（自動音声認識）はガチで応用範囲めっちゃ広いから、認知必須。

無料で使える日本語音声入力に革命、く、くる…

Haas-ja-v1.0はほぼリアルタイムでの日本語文字起こし、STTに活用出来る音声認識モデル。

速度が爆裂速いから長時間録音の文字起こしもありえん速度で出来る。AquaVoiceみたいなのもローカルだけで作れるやろな…。

ただ、まぁデモの後半（ポラーノの広場）見てもらったら分かるけど固有名詞とか詩的な表現は流石にMicrosoft MAIほどは正しく認識されない。

以下はMAIでは正しく認識されてたが、Haas-ja-c1.0ではやや誤りがあった部分。
「イーハトーヴォ」　→　「イーハトーボ」
「草の波」→「草の名に」
それでも、モデルサイズとコスト的に驚嘆すべき認識力
辞書登録とかで対応すればええ箇所やな

松島竜成さんはThird Intelligence※に所属されてる方のようや。
※松尾研究所から独立して生まれた、日本のAI研究・プロダクト開発会社

NVIDIAの「Parakeet-TDT」の設計をベースに色々組み合わせて、約4万6,000時間の音声データで学習されてるって書いてあるけど、低品質データを相当上手くフィルタリングしないとこの精度にならんやろ…ｼｭﾎｳｷﾆﾅﾙ

最近は日本謹製の独自モデルが色々でてきててアツいな。日本人のLLM研究者達のモデルも今後いっぱいでてくるんやろな。

私のような場末の開発ニートには応援しか出来んけど、マジで凄いわ。
全ての関連プロジェクト開発者に感謝を。

— StudioYebisu (@studio_yebisu) October 30, 2026

無料で使えますか？

モデルと推論コードはApache 2.0で公開されています。自社で動かす場合は、GPU環境の費用が別にかかります。

MacやWindowsで動きますか？

公式のモデルカードでは、Linux と NVIDIA製GPUが必要で、CPUとmacOSは非対応とされています。

話している人を区別できますか？

このモデルだけでは区別できません。別の話者分離モデルと組み合わせると、話者ラベルを付けられます。

社名や製品名を正しく認識させられますか？

固有名詞などを登録する機能があります。使うと処理時間は約1.3倍になります。

おい、Xに新たな天才が降臨して、とんでもないモデル出してるから、デモを見てくれ。
これ、リアルタイム文字起こしやぞ…？

日本語認識スコアの高いASR（自動音声認識）はガチで応用範囲めっちゃ広いから、認知必須。

無料で使える日本語音声入力に革命、く、くる…

Haas-ja-v1.0はほぼリアルタイムでの日本語文字起こし、STTに活用出来る音声認識モデル。

速度が爆裂速いから長時間録音の文字起こしもありえん速度で出来る。AquaVoiceみたいなのもローカルだけで作れるやろな…。

ただ、まぁデモの後半（ポラーノの広場）見てもらったら分かるけど固有名詞とか詩的な表現は流石にMicrosoft MAIほどは正しく認識されない。

以下はMAIでは正しく認識されてたが、Haas-ja-c1.0ではやや誤りがあった部分。
「イーハトーヴォ」　→　「イーハトーボ」
「草の波」→「草の名に」
それでも、モデルサイズとコスト的に驚嘆すべき認識力
辞書登録とかで対応すればええ箇所やな

松島竜成さんはThird Intelligence※に所属されてる方のようや。
※松尾研究所から独立して生まれた、日本のAI研究・プロダクト開発会社

NVIDIAの「Parakeet-TDT」の設計をベースに色々組み合わせて、約4万6,000時間の音声データで学習されてるって書いてあるけど、低品質データを相当上手くフィルタリングしないとこの精度にならんやろ…ｼｭﾎｳｷﾆﾅﾙ

最近は日本謹製の独自モデルが色々でてきててアツいな。日本人のLLM研究者達のモデルも今後いっぱいでてくるんやろな。

私のような場末の開発ニートには応援しか出来んけど、マジで凄いわ。
全ての関連プロジェクト開発者に感謝を。

— StudioYebisu (@studio_yebisu) October 30, 2026