日本語の音声認識モデル(parakeet‑ctc‑1.1b‑ja)は、NVIDIA NeMo をベースに構築されており、nemo.collections.asr.nemo_asr で文字起こしをサポートします。Whisper v2/v3 と比較した WER/CER の性能が文書化されており、倫理的使用ガイドラインも含まれています。
他の言語の説明
統計
2026年11月16日時点の統計
Hugging Face のダウンロード数(直近30日)
1,000
Hugging Face の Like 数
25
掲載日
2026年10月13日
同じカテゴリで人気のリソース
- wav2vec2-large-xlsr-53-japanesejonatasgrosman16MJapanese wav2vec‑2 XLSR‑53 は Common Voice 6.1、CSS10、JSUT で微調整され、16 kHz オーディオを必要とし、HuggingSound または HuggingFace パイプラインで使用できます。
- wav2vec2-large-xlsr-japanese-hiraganavumichien153kfacebook/wav2vec2‑large‑xlsr‑53 を Common Voice と JSUT コーパスでファインチューニングした日本語音声認識モデルで、16 kHz の音声入力に最適化されています。
- anime-whisperlitagin33kAnime Whisperは、約5,300時間のanime‑style dialogueで微調整された軽量の日本語ASRモデルで、低 hallucination、リズムに合わせた句読点、非言語音声およびNSFW contentの正確な文字起こしを実現し、初期プロンプトなしで実行する必要があります。
- kotoba-whisper-v2.0kotoba-tech25kKotoba‑Whisper v2.0 は、OpenAI Whisper large‑v3 から蒸留された日本語 ASR モデルで、7.2 million ReazonSpeech クリップで訓練され、ドメイン内テストで教師の CER/WER と同等の性能を維持しつつ 6.3 倍速で動作します。stable‑ts/punctuation のサポートと完全なトレーニングコードが GitHub にあります。
- kotoba-whisper-v2.2kotoba-tech16kKotoba‑Whisper‑v2.2 は、HuggingFace‑Transformers パイプラインを通じて統合された話者分離と自動句読点機能を備えた kotoba‑whisper‑v2.0 を拡張した日本語 ASR モデルであり、Asahi Ushio と Kotoba Technologies と協力して構築されました。
- Qwen3-ASR-1.7B-JAneosophie13kFine‑tuned Qwen3‑ASR‑1.7B for Japanese ASR、固有名詞・組織名・製品名、漢字が多い混在した日本語/英語の技術用語を正確に転写できるよう最適化されました
研究分野が近いリソース
whisper.cppggml-org54kOpenAI の Whisper モデルの C/C++ 移植版。多言語共通: 音声認識
faster-whisperSYSTRAN26kCTranslate2 による高速な Whisper 文字起こし。多言語共通: 音声認識
whisperXm-bain24kWhisperX:単語レベルのタイムスタンプ(&話者分離)を備えた自動音声認識。多言語共通: 音声認識
FunASRmodelscope21k学習・推論・ストリーミング音声認識・VAD・句読点付与・話者分離パイプライン、および OpenAI 互換/MCP 提供に対応したオープンソース音声認識ツールキット。多言語共通: 音声認識
kaldikaldi-asr15kkaldi-asr/kaldi は Kaldi プロジェクトの公式リポジトリ。多言語共通: 音声認識
vosk-apialphacep15kAndroid・iOS・Raspberry Pi・サーバー向けのオフライン音声認識API。Python・Java・C#・Node に対応。多言語共通: 音声認識