Haas-ja-v1.0は6億1,580万パラメータを持ち、約46,000時間分のデータで学習されました。同社によると、18,318件の発話と23.38時間分の日本語音声を含むasr-ja-bench v1.1で、評価対象となったオープンモデルの中で最も低いstrict CERを達成しました。

推定インフラコストは音声1時間あたり0.003～0.004ドルで、GPT-Transcribeの約0.30ドルと比較されます。これは高い稼働率を前提とするインフラコストの推定であり、API価格ではありません。利用が少ない場合、運用コストが上昇する可能性があります。このモデルにはLinuxとNVIDIA GPUが必要です。

重要な理由

日本語の文字起こしを自社でホスティングしたいチームに、オープンライセンスの選択肢を提供します。また、推論コストが低いという同社の推定値も示されています。ベンチマークやコストに関する主張は、独立して検証済みとはされていません。

ガイド

試してみること

仮の試用例として、ライセンスとハードウェア要件を確認したうえで、業務に関係する短い日本語録音を評価し、同じ指標を使って現在の文字起こし結果と比較してください。