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。
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)
153,000
Hugging Face 按讚數
11
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 | — |
| 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。
- 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。
- 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。
研究領域相近的資源
- 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
- reazonspeech-nemo-v2reazon-research4kreazonspeech-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。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