Haas-ja-v1.0

Haas-ja-v1.0

用一个注重速度和准确率的 615.8M 语音识别模型把日语语音转成文字。适合在带 NVIDIA GPU 的 Linux 机器上转写日语音频的开发者和团队。

由 third-intelligence 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Haas-ja-v1.0 把日语口语转成文字，速度和准确率是它的两个目标。它建立在 NVIDIA 的 Parakeet-TDT 设计上，并在预测网络里换上了 Kimi Delta Attention。模型卡给出，在由五个公开日语数据集组成的基准上，严格 CER 为 6.12%。

适合谁：适合需要把日语音频快速转成文字的开发者和团队。

行业 | 谁在用 | 怎么用 | 例子
媒体 | 视频团队 | 转写日语采访和片段 | 一段采访录音的文字稿
商务 | 运营团队 | 把日语会议转成文字 | 一次通话录音的记录
研究 | 语音研究者 | 比较日语识别器 | 在模型卡的五数据集基准上做测试

使用其他语言的人，或者用 Mac 以及没有 NVIDIA GPU 的机器的人，可以跳过它。

用在哪里：

• Linux 机器上的 NVIDIA GPU，加上 Python 3.11 或更新版本和 NeMo 2.7，这是模型卡的要求
• 一个 Hugging Face Space 演示，模型卡附有链接
• Windows、macOS 或 Linux 都可以下载文件，不过模型卡说不支持 CPU 和 macOS 上运行

用途 | 谁用 | 得到什么
短片段 | 开发者 | 一段录音的日语文字
长录音 | 运营团队 | 超过 30 秒的音频，在安静处切开后得到的文字
名称和术语 | 编辑 | 自定义词汇，让罕见的名字按你想要的方式写出

如何设置：

你需要先准备：

• 带 NVIDIA GPU 的 Linux
• Python 3.11 或更新版本以及 NeMo 2.7
• Triton 和 CUDA，注意力内核依赖它们
• haas-asr 推理包，模型卡从它的代码仓库安装

1. 安装 Hugging Face hub 包。
2. 把模型文件下载到你的电脑。
3. 把推理包安装到你的环境里。

pip install -U huggingface_hub
hf download third-intelligence/Haas-ja-v1.0

如何使用：加载模型，加载一个音频文件，再调用 transcribe。录音超过 30 秒时用长音频调用，它会在安静处把音频切开，并分批处理各个片段。

import haas_asr

model = haas_asr.load_model("third-intelligence/Haas-ja-v1.0")
audio = haas_asr.load_audio("example.wav")
output = model.transcribe([audio])
print(output[0].text)

audio = haas_asr.load_audio("example.flac")
text = haas_asr.transcribe_longform(model, audio, batch_size=64)

工具 | 作用
haas_asr.load_model | 返回一个标准的 NeMo 对象，在 GPU 上设为 bfloat16
haas_asr.load_audio | 读取 WAV、FLAC、MP3 或 OGG，转成单声道并重采样到 16 kHz
model.transcribe | 转写一组音频片段
haas_asr.transcribe_longform | 在安静处切开长音频并分批转写

示例：你加载一段日语会议录音，对它调用 transcribe。模型把说出的日语以文字返回，打印第一个结果就能看到。超过 30 秒的录音改用长音频调用。

新手与专家：语音识别把说出的话变成书面文字。第一步可以试一个简短的日语 WAV 文件，用第一段代码的四行。

对专家来说，这套结构把 FastConformer 编码器和 TDT 解码器配在一起，和 Parakeet-TDT 一样。解码器还会预测每个 token 持续多久，所以能一次跳过多个编码器帧。Kimi Delta Attention 替换了预测网络里的 LSTM，模型卡说它在速度几乎不变的情况下提高了准确率。代价是对 Triton 和 CUDA 的硬依赖。

加载一个日语音频文件
转成单声道并重采样到 16 kHz
编码器读取音频帧
解码器预测 token 和时长
你得到日语文字

注意事项：

Title: 各部分参数量，单位百万
Encoder: 608.9 M
Prediction network: 3.9 M
Joint network: 3.0 M

• 大小：615.8M 参数，分词器有 3,072 个 token
• 语言：日语
• 变体：Hugging Face 列出了其他人做的 14 个量化版本和 2 个微调版本
• License: apache-2.0
• Cost to run: 没有提到，不需要 API 密钥或账号。模型卡说它的成本只是商用语音转文字 API 的一小部分
• Data it reaches: 它会从 Hugging Face 下载模型文件，并处理你提供的音频文件
• Not for: 在 CPU 或 macOS 上运行，模型卡说不支持，也不适合日语以外的语言

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：nemo
• 最近 30 天下载：3,665
• 点赞：77
• 许可证：apache-2.0
• 语言：ja
• Quantized versions: 14
• Fine-tunes: 2
• 标签：nemo, speech, audio, automatic-speech-recognition, japanese, fastconformer, conformer

链接

• 模型：https://huggingface.co/third-intelligence/Haas-ja-v1.0
• 文件：https://huggingface.co/third-intelligence/Haas-ja-v1.0/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download third-intelligence/Haas-ja-v1.0

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。