概览
Haas-ja-v1.0 是日本公司 Third Intelligence（东京大学松尾研究室衍生公司）于 2026 年 10 月 30 日开源的日语语音识别（ASR）模型，名字取自「Hear Anything At Speed」，也致敬提出哈斯效应的声学家 Helmut Haas。它沿用 NVIDIA Parakeet-TDT 结构：FastConformer 编码器（24 层、隐藏维度 1,024）加 Token-and-Duration Transducer（TDT）解码器，并把预测网络里的 LSTM 换成 Kimi Delta Attention（KDA），在几乎不变的速度下提升准确率；总参数 615.8M，输入为 16kHz 单声道音频，分词器为 3,072 个 token 的日语 SentencePiece BPE。训练数据约 4.6 万小时，来自 ReazonSpeech、Common Voice 26.0、YODAS 等公开语料和内部数据。在官方用五个公开日语数据集（JSUT、JVNV、TEDxJP-10K、FLEURS、SpeechBSD）构建的 asr-ja-bench v1.1 上，加权 CER strict 为 6.12%，是所测开放模型中最好的，与 GPT-Transcribe（6.07%）相当，MAI-Transcribe 2、Scribe v2、Gemini 3.1 Pro 仍更准；速度上单张 H200 的 RTFx 为 3,236，约是 Whisper large-v3 等模型的 15 至 17 倍，官方估算每小时音频成本约 0.003 至 0.004 美元（均为官方自测）。使用方式：需要 Linux 和 NVIDIA GPU（Python 3.11+、NeMo 2.7，预测网络依赖 flash-linear-attention 的 Triton/CUDA 内核，不支持 CPU 和 macOS）；pip 安装 GitHub 仓库 Haas-ASR 里的 haas-asr 包后，用 haas_asr.load_model 加载、transcribe 转写，长于 30 秒的录音用 transcribe_longform 分段批量转写，可传入自定义词表提高专有名词识别，配合 NVIDIA Nemotron-3-Diarization 可输出说话人标签。也可在官方 Hugging Face Space 在线试用。局限：为离线转写训练，低延迟流式需额外调优；不识别情绪等非语言信息；输出风格（如是否保留填充词）不可控。官方来源：https://huggingface.co/third-intelligence/Haas-ja-v1.0 、https://github.com/third-intelligence/Haas-ASR 、https://third-intelligence.com/ja/posts/haas-ja-v1-release （2026-11-02 核对）。 定价：开放权重（Apache-2.0），可免费下载在本地 GPU 上运行；官方没有提供付费 API。
- 模态
- 音频
- 参数量
- 615.8M
- 许可说明
- 开源 · Apache-2.0
能力
- Third Intelligence 开源的日语语音识别模型，Apache-2.0，可商用
- 基于 NVIDIA Parakeet-TDT 结构：FastConformer 编码器 + TDT 解码器，预测网络用 Kimi Delta Attention 替换 LSTM
- 五个公开日语数据集组成的 asr-ja-bench 上 CER strict 6.12%，开放模型中最好，与 GPT-Transcribe（6.07%）相当
- 单张 H200 上 RTFx 3,236，官方估算每小时音频成本约 $0.003–0.004
- 支持自定义词表、30 秒以上长音频 transcribe_longform，配合 Nemotron-3-Diarization 输出说话人标签
- 需 Linux + NVIDIA GPU（Python 3.11+、NeMo 2.7），不支持 CPU 和 macOS；为离线转写训练，非低延迟流式