reazonspeech-nemo-v2 是一个 619‑M‑参数的日语长文本 ASR 模型,基于改进版 Fast‑Conformer 及 Linearly Scalable Attention,在 ReazonSpeech v2.0 语料库上训练,支持通过 subword RNN‑T decoder(3000‑token SentencePiece)进行多小时推理,并以 Apache 2.0 许可分发。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
4,000
Hugging Face 点赞数
41
收录日
2024年5月13日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | 7,000 |
| 2026年1月 | 6,000 |
| 2026年2月 | 4,000 |
| 2026年3月 | 10,000 |
| 2026年4月 | 22,000 |
| 2026年5月 | 1,000 |
| 2026年6月 | 1,000 |
| 2026年7月 | 1,000 |
| 2026年8月 | 1,000 |
| 2026年9月 | 2,000 |
| 2026年10月 | 3,000 |
| 2026年11月 | 4,000 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- wav2vec2-large-xlsr-53-japanesejonatasgrosman16MJapanese wav2vec‑2 XLSR‑53 在 Common Voice 6.1、CSS10 与 JSUT 上微调,需 16 kHz 音频,并可通过 HuggingSound 或 HuggingFace 管道使用。
- wav2vec2-large-xlsr-japanese-hiraganavumichien153k一个由 facebook/wav2vec2‑large‑xlsr‑53 在 Common Voice 和 JSUT corpus 上微调的日本语音识别模型,针对 16 kHz 音频输入进行了优化。
- anime-whisperlitagin33kAnime Whisper 是一款轻量级的日语 ASR 模型,在约 5,300 小时的动漫风格对话上进行微调,能够提供低幻觉、节奏对齐标点,以及准确转录非言语声音和 NSFW 内容,并且需要在没有初始提示的情况下运行。
- kotoba-whisper-v2.0kotoba-tech25kKotoba‑Whisper v2.0 是从 OpenAI Whisper large‑v3 蒸馏出的日语 ASR 模型,训练于 720 万个 ReazonSpeech 剪辑,推理速度快 6.3 倍,同时在同域测试中匹配教师模型的 CER/WER,并提供 stable‑ts/标点支持以及完整的训练代码在 GitHub 上。
- kotoba-whisper-v2.2kotoba-tech16kKotoba‑Whisper‑v2.2 是一个日语 ASR 模型,扩展了 kotoba‑whisper‑v2.0,集成了说话人划分和自动标点功能,通过 HuggingFace‑Transformers pipeline,并与 Asahi Ushio 与 Kotoba Technologies 合作开发。
- Qwen3-ASR-1.7B-JAneosophie13k针对日语 ASR 对 Qwen3-ASR-1.7B 进行微调,优化其准确转写专有名词、机构和产品名称,以及以汉字为主或混合日英的技术术语。
研究领域相近的资源
- kotoba-whisper-v2.0-fasterkotoba-tech13kKotoba Whisper v2.0 被转换为 CTranslate2 格式,以便与 CTranslate2 和 faster-whisper 一起使用,提供安装、推理示例、Apple M2 基准测试和转换说明。共同: 语音识别・语音与音频
- japanese-hubert-base-phoneme-ctc-v4prj-beatrice12k微调日语 Hubert‑Base 用于 CTC 音素识别(v4)并更新句子过滤规则、发音调整以及将 GPU 切换到 A6000,训练在 110k 步时停止。共同: 语音识别・语音与音频
- japanese-wav2vec2-base-rs35khreazon-research10kJapanese‑wav2vec2‑base‑rs35kh 是一个 96.7 M 参数的 wav2vec 2.0 Base 模型,经过在 ReazonSpeech v2.0 日语 ASR 语料库上微调,达到 13.22 % 的 CER,可与 Hugging Face transformers 一同部署,并在 Apache 2.0 许可证下发布。共同: 语音识别・语音与音频
- parakeet-tdt-0.6b-ja-GGUFcstr3kA GGUF‑converted 0.6 B Japanese Parakeet TDT‑CTC model,能够与 CrispASR 的 CLI 一起用于 TDT 解码(CTC 回退),在 JSUT 上实现 6.4 % CER,并提供词级时间戳,可获得完整的 1.24 GB 精确构建版本以及约 470 MB Q4_K 量化变体(该变体在 ~8 个 token 后性能下降,建议使用 F16)。共同: 语音识别・语音与音频
- japanese-hubert-base-phoneme-ctcprj-beatrice4k基于 rinna/japanese‑hubert‑base 的微调日语音素 CTC 模型,使用 ReazonSpeech v2 数据和 pyopenjtalk‑plus 标签进行训练,在新版 v2 发布(prj-beatrice/japanese-hubert-base-phoneme-ctc-v2)中实现了更高的准确率。共同: 语音识别・语音与音频
- japanese-hubert-base-phoneme-ctc-v3prj-beatrice2k为CTC音素识别微调的日本HuBERT-base(v3),加入了MeCab N‑best与pyopenjtalk‑plus后处理、结合CTC和MeCab成本的加权损失、更新排除规则,以及新增“ty”音素。共同: 语音识别・语音与音频