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。
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)
153,000
Hugging Face 点赞数
11
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 | — |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | — |
| 2026年4月 | 6,000 |
| 2026年5月 | 18,000 |
| 2026年6月 | 7,000 |
| 2026年7月 | 14,000 |
| 2026年8月 | 549,000 |
| 2026年9月 | 65,000 |
| 2026年10月 | 107,000 |
| 2026年11月 | 153,000 |
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。
- 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。
- 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。
研究领域相近的资源
- 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
- reazonspeech-nemo-v2reazon-research4kreazonspeech-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。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