reazonspeech-nemo-v2 是一款擁有 619‑M參數的日語長文語音識別模型,基於改進版 Fast‑Conformer 與 Linearly Scalable Attention 架構構建,訓練於 ReazonSpeech v2.0 資料集,透過 subword RNN‑T decoder(3000‑token SentencePiece)提供多小時推理,並以 Apache 2.0 授權方式分發。
其他語言的說明
統計
統計資料截至 2026年11月16日
Hugging Face 下載數(近 30 天)
4,000
Hugging Face 按讚數
41
收錄日
2024年5月13日
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(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 |
各月最後一次快照時的近 30 天下載數。
同分類的熱門資源
- wav2vec2-large-xlsr-53-japanesejonatasgrosman16M日語 wav2vec‑2 XLSR‑53 在 Common Voice 6.1、CSS10 與 JSUT 上微調,需要 16 kHz 音訊,並可透過 HuggingSound 或 HuggingFace pipelines 使用。
- wav2vec2-large-xlsr-japanese-hiraganavumichien153k一個經由 facebook/wav2vec2‑large‑xlsr‑53 在 Common Voice 與 JSUT corpus 微調的日語語音辨識模型,已優化為 16 kHz 音訊輸入。
- anime-whisperlitagin33kAnime Whisper 是一個輕量級的日語 ASR 模型,已在約 5,300 小時的動漫式對白上微調,提供低幻覺、節奏對齊的標點符號,並能準確轉錄非語音聲音和 NSFW 內容,必須在沒有初始提示的情況下運行。
- kotoba-whisper-v2.0kotoba-tech25kKotoba‑Whisper v2.0 是一款從 OpenAI Whisper large‑v3 提煉的日語ASR模型,使用 7.2 million ReazonSpeech 片段訓練,速度比原版快 6.3×,同時在領域測試中匹配教師模型的 CER/WER,並包含 stable‑ts/punctuation 支援及完整訓練程式碼於 GitHub。
- kotoba-whisper-v2.2kotoba-tech16kKotoba‑Whisper‑v2.2 是一款日語 ASR 模型,擴展了 kotoba‑whisper‑v2.0,整合了 integrated diarization 與 automatic punctuation,透過 HuggingFace‑Transformers pipeline 實現,並與 Asahi Ushio 和 Kotoba Technologies 合作開發。
- Qwen3-ASR-1.7B-JAneosophie13kFine‑tuned Qwen3‑ASR‑1.7B for Japanese ASR,優化以準確轉錄專有名詞、組織及產品名稱、漢字濃厚以及日英混合技術術語。
研究領域相近的資源
- kotoba-whisper-v2.0-fasterkotoba-tech13kKotoba Whisper v2.0 已轉換為 CTranslate2 格式,可與 CTranslate2 與 faster‑whisper 一同使用,並提供安裝、推理範例、Apple M2 基準測試以及轉換說明。共同: 語音辨識・語音與音訊
- japanese-hubert-base-phoneme-ctc-v4prj-beatrice12k已微調日本 Hubert‑Base 的 CTC 音素辨識 (v4),包含更新的句子過濾規則、發音調整,以及將 GPU 切換至 A6000,訓練停止於 110k 步。共同: 語音辨識・語音與音訊
- japanese-wav2vec2-base-rs35khreazon-research10kJapanese‑wav2vec2‑base‑rs35kh 是一個擁有 96.7 M 參數的 wav2vec 2.0 Base 模型,已在 ReazonSpeech v2.0 Japanese ASR corpus 上微調,達到 13.22 % CER,可透過 Hugging Face transformers 部署,並以 Apache 2.0 license 發布。共同: 語音辨識・語音與音訊
- parakeet-tdt-0.6b-ja-GGUFcstr3k一個已轉換為 GGUF 的 0.6 B 日語 Parakeet TDT‑CTC 模型,可與 CrispASR 的 CLI 一起使用進行 TDT 解碼(CTC 回退),在 JSUT 上達到 6.4 % CER,並提供單詞級時間戳。它有完整的 1.24 GB 精確位元構建版本,以及約 470 MB 的 Q4_K 定量化變體(該變體在大約 8 個 token 後會退化,因此推薦使用 F16)。共同: 語音辨識・語音與音訊
- japanese-hubert-base-phoneme-ctcprj-beatrice4k基於 rinna/japanese‑hubert‑base 的微調日語音素 CTC 模型,使用 ReazonSpeech v2 數據與 pyopenjtalk‑plus 標籤訓練,在新版 v2 釋出(prj-beatrice/japanese-hubert-base-phoneme-ctc-v2)中達到更佳準確度。共同: 語音辨識・語音與音訊
- japanese-hubert-base-phoneme-ctc-v3prj-beatrice2kFine‑tuned Japanese HuBERT‑base for CTC phoneme recognition (v3),加入 MeCab N‑best 與 pyopenjtalk‑plus 後處理,使用結合 CTC 和 MeCab 成本的加權損失、更新排除規則,以及新增「ty」音素。共同: 語音辨識・語音與音訊