rinna/japanese-hubert-base をベースにしたファインチューニング済み日本語音素 CTC モデルで、精度の高い v2 としてリリースされました。このバージョンでは「日本/方/明日」を含む文は除外し、「十/0/0」の pyopenjtalk-plus 発音に「ジュッ」が含まれるものも削除します。また「言う」の発音を「イウ」から「ユー」に変更しています。
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)
7,000
Hugging Face の Like 数
4
掲載日
2025年7月8日
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 | — |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | — |
| 2026年4月 | — |
| 2026年5月 | — |
| 2026年6月 | — |
| 2026年7月 | — |
| 2026年8月 | — |
| 2026年9月 | 5,000 |
| 2026年10月 | 19,000 |
| 2026年11月 | 7,000 |
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
- japanese-hubert-base-phoneme-ctcprj-beatrice4krinna/japanese‑hubert‑base をベースにしたファインチューニング済みの日本語音素 CTC モデル。ReazonSpeech v2 データと pyopenjtalk‑plus ラベルで訓練され、新しい v2 リリース(prj-beatrice/japanese-hubert-base-phoneme-ctc-v2)で精度が向上しています。
- japanese-hubert-base-phoneme-ctc-v3prj-beatrice2kCTC音素認識(v3)用にファインチューニングされた日本語HuBERT‑base、MeCab N‑bestをpyopenjtalk‑plusで後処理し、CTCとMeCabコストを組み合わせた加重損失、更新された除外ルール、新しい「ty」音素を追加。
- 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。
研究分野が近いリソース
- LFM2.5-Audio-1.5B-JP-GGUFLiquidAI506kLiquidAI の LFM 2.5‑Audio 1.5B JP モデルの量子化 GGUF バージョン(言語、オーディオエンコーダー、およびボコーダー重み:F32/F16/Q8_0/Q4_0)と、llama.cpp を使用した ASR と TTS の CLI/Server ランナー。共通: 音声認識・音声合成
sherpa-onnxk2-fsa15k次世代 Kaldi と onnxruntime を用いた、インターネット接続不要の音声認識・音声合成・話者分離・音声強調・音源分離・VAD。組み込みシステム、Android、iOS、HarmonyOS、Raspberry Pi、RISC-V、RK NPU、Axera NPU、Ascend NPU、x86_64サーバー、WebSocketサーバー/クライアントに対応し、12のプログラミング言語をサポート。多言語共通: 音声認識・音声合成
moonshinemoonshine-ai11k音声エージェントやインターフェースの構築に向けた、超低遅延の音声認識・意図認識・音声合成。多言語共通: 音声認識・音声合成
mlx-audioNeywa-Labs8kApple の MLX フレームワーク上に構築された音声合成(TTS)・音声認識(STT)・音声変換(STS)ライブラリで、Apple Silicon 上で効率的な音声解析を実現。多言語共通: 音声認識・音声合成
FluidAudioFluidInference3kアプリに組み込める最先端の CoreML 音声モデル ── 音声合成、音声認識、発話区間検出、話者分離。Swift 製で、最先端のオープンソースを活用。多言語共通: 音声認識・音声合成- kana-whispersbintuitions42kWhisper large‑v3‑turboをファインチューニングしたモデルで、日本語音声をカタカナに文字起こしするASRコンポーネントとして、Sarashina2.2‑TTSプロジェクト内のJoyo Kanji Yomi Benchmarkに使用され、Kana CER Usage With Transformersパイプラインを動かします。共通: 音声認識・音声合成