Japanese 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。
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)
16,000,000
Hugging Face の Like 数
119
掲載日
—
ページ作成時から掲載
ダウンロード数(直近30日)の推移
数値を表で見る
| 月 | DL(30日) |
|---|---|
| 2025年12月 | 3,000,000 |
| 2026年1月 | 4,000,000 |
| 2026年2月 | 1,000,000 |
| 2026年3月 | 3,000,000 |
| 2026年4月 | 1,000,000 |
| 2026年5月 | 1,000,000 |
| 2026年6月 | 6,000,000 |
| 2026年7月 | 2,000,000 |
| 2026年8月 | 9,000,000 |
| 2026年9月 | 17,000,000 |
| 2026年10月 | 16,000,000 |
| 2026年11月 | 16,000,000 |
各月の最後のスナップショットにおける、直近30日間のダウンロード数です。
同じカテゴリで人気のリソース
- 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
- kotoba-whisper-v2.0-fasterkotoba-tech13kKotoba Whisper v2.0 は CTranslate2 と faster‑whisper で使用するために CTranslate2 フォーマットに変換され、インストール手順、推論例、Apple M2 ベンチマーク、変換手順を提供します。
研究分野が近いリソース
- parakeet-tdt_ctc-0.6b-janvidia7kNVIDIA NeMo の 0.6 B‑parameter Hybrid FastConformer‑TDT‑CTC ASR model は、日本語音声を句読点付きで文字起こしし、NeMo フレームワーク内で推論またはファインチューニングに利用可能です。共通: テキスト生成・音声・オーディオ
asrzakuro-ai72自動音声認識は、Zakuro AIのサポートを受けたpytorchのdeepspeech2モデルを使用しています。GitHub共通: テキスト生成・音声・オーディオ
whisper-asr-finetunesarulab-speech32Whisper ASRモデルの微調整GitHub共通: テキスト生成・言語モデル- kotoba-whisper-bilingual-v1.0kotoba-tech4kKotoba‑Whisper‑Bilingual v1.0 は、日本語と英語の ASR 用に 6.3 倍速化された distilled Whisper モデルを提供し、さらに双方向音声からテキストへの翻訳機能を備えています。これらは、OpenAI の Whisper large‑v3 をベースに、knowledge distillation を用いて構築され、クロスエントロピーと KL‑divergence loss を利用しています。共通: テキスト生成・音声・オーディオ
- japanese-hubert-base-phoneme-ctc-v4prj-beatrice12kFine‑tuned Japanese Hubert‑Base for CTC phoneme recognition (v4) は、更新された sentence‑filtering rules、pronunciation adjustments、GPU を A6000 に切り替えた上で、110k ステップでトレーニングを停止しました。共通: 音声・オーディオ
- japanese-wav2vec2-base-rs35khreazon-research10kJapanese‑wav2vec2‑base‑rs35kh は、ReazonSpeech v2.0 Japanese ASR corpus でファインチューニングされた 96.7 M‑パラメータの wav2vec 2.0 Base モデルで、13.22 % の CER を達成し、Hugging Face transformers でデプロイ可能、Apache 2.0 ライセンスで公開されています。共通: 音声・オーディオ