Новые модели 31 ОКТЯБРЯ 2026
third-intelligence/Haas-ja-v1.0: новая модель в трендах Hugging Face
Рейтинги trending-asr, место 7
Автор third-intelligence
Ссылка https://huggingface.co/third-intelligence/Haas-ja-v1.0
Лицензия apache-2.0
Что это
Haas-ja-v1.0 — японская модель распознавания речи от Third Intelligence, построенная на архитектуре NVIDIA Parakeet-TDT: FastConformer-энкодер и Token-and-Duration Transducer (TDT) декодер, где в prediction network вместо LSTM используется Kimi Delta Attention (KDA). Название расшифровывается как Hear Anything At Speed и отсылает к акустику Хельмуту Хаасу. На момент релиза модель находится на Парето-фронте скорости и точности на японском бенчмарке.
Данные из карточки
- 615.8M параметров (энкодер 608.9M, prediction network 3.9M, joint network 3.0M); вход 16 кГц mono, 128-bin log-mel; энкодер FastConformer на 24 слоя с 8x subsampling; жадное батчевое декодирование.
- Обучена примерно на 46 000 часов аудио из публичных корпусов (ReazonSpeech, Common Voice 26.0, YODAS) и внутренних данных с фильтрацией низкокачественных примеров.
- На бенчмарке asr-ja-bench v1.1 (18 318 фраз, 23.38 ч) достигает weighted CER strict 6.12 % — лучший результат среди оценённых открытых моделей; на уровне GPT-Transcribe (6.07 %), но MAI-Transcribe 2, Scribe v2 и Gemini 3.1 Pro точнее.
- Скорость близка к Parakeet (RTFx 3 236 против 3 407) при снижении CER strict примерно на 1.1 пункта; примерно в 15–17 раз быстрее Nemotron 3.5 Transcribe и Whisper large-v3.
- Стоимость транскрипции часа аудио — около $0.003–0.004.
- Ограничения: модель офлайн-транскрипции, для низкой задержки стриминга нужна доп. настройка; не определяет говорящего, эмоции и другие невербальные признаки (спикер-лейблы возможны в связке с диаризацией). Требуется Linux с NVIDIA GPU (NeMo 2.7, Triton/CUDA), CPU и macOS не поддерживаются.