この記事のポイント
- 日本語の文字起こしを自社で処理したい企業に、重みとコードを公開するモデルが増えました。GPU環境が必要です。
- Haas-ja-v1.0の文字誤り率は公表評価で6.12％。比較したオープンモデルの中で最良の結果です。
- 音声1時間0.003〜0.004ドルは高稼働GPUでの計算費用の試算です。サービス運用費は含みません。
Third Intelligenceは、日本語音声認識モデルHaas-ja-v1.0を公開しています。公式モデルページと推論コードを基に、精度評価と実行条件を整理します。音声認識は、録音された言葉を文字に変換する処理です。
精度と速さを両立させる工夫
NVIDIAのParakeet-TDTを土台とし、音声から文字を順に取り出す部分に改良を加えたモデルです。パラメータ数は約6億1580万です。重みと推論コードはApache 2.0ライセンスで公開されています。開発元の評価は、日本語の公開データセット5つ、約23.38時間の音声を使っています。文字の表記差も数える誤り率（CER strict）の加重平均は6.12％でした。比較対象のオープンモデルでは最良という位置づけです。GPT-Transcribeは6.07％で近い値です。一方、MAI-Transcribe 2やGemini 3.1 Proなどは、さらに低い誤り率でした。
計算費用の試算と、自社で動かす条件
開発元の試算は、音声1時間の処理に約0.003〜0.004ドルです。NVIDIA H200を1枚使い、まとめて処理する件数は512に設定しています。GPUを常時使い切る前提で、AWS東京やAzure東日本の料金から計算しています。サービスの運用費や利益は含みません。同じ評価で課金されたGPT-Transcribeの約0.30ドルとの比較です。試算の比率を自社の総費用にそのまま当てはめるのは避けるとよいでしょう。
公式コードの実行環境はLinuxとNVIDIA GPUです。CPUやmacOSは未対応で、ソフトウェア環境の準備も必要です。入力は16kHzのモノラル音声で、長い録音は分割して処理します。モデル単体では話者の識別や感情の認識を行いません。公開デモも案内されていますが、業務データを送る場合は送信先と取扱条件の確認が判断材料になります。
まとめ
日本語の録音を自社環境で処理したい方は、公開評価に加えて、自社の用語や録音条件で比較するとよいでしょう。APIで使う方式との違いは、MAI-Transcribe 2の提供条件や、Geminiの音声認識機能が参考になります。公表値の順位だけでなく、人の修正工数とGPUの運用費を合わせて見ると、用途に合う方式を選びやすくなります。
※ 2026年11月時点でThird Intelligenceが公開している情報に基づいています。
