Japan darf nicht unterschätzt werden! Das Wunder der Spracherkennungsmodelle Izanami + Kushinada + BERT

Im globalen KI-Entwicklungswettlauf war die „Sprachbarriere“ des Japanischen manchmal ein Hindernis und manchmal der Nährboden für eine einzigartige Evolution. Von 2025 bis 2026 hat die japanische Spracherkennungs-KI-Community hohe Erwartungen an „Izanami“ und „Kushinada“, japanische Sprachbasismodelle, die vom AIST (National Institute of Advanced Industrial Science and Technology) entwickelt wurden.

Da OpenAIs Whisper die Welt erobert hat, wird Spracherkennung oft als ein „gelöstes Problem“ angesehen. In den Tiefen der japanischen Sprache blieben jedoch viele Herausforderungen bestehen. Durch die Analyse der neuesten Benchmark-Ergebnisse erklären wir ausführlich die erstaunlichen Fähigkeiten von „Izanami/Kushinada + BERT“, das neue Horizonte für die japanische Spracheingabe eröffnet, und das Szenario, in dem inländische KI die ausländische Konkurrenz übertrifft.

1. Der Hintergrund von „Izanami und Kushinada“: Warum inländische Basismodelle notwendig sind

Bisher wurde die japanische Spracherkennung von ausländischen Modellen wie Googles Speech-to-Text und OpenAIs Whisper dominiert. Obwohl diese Modelle sehr leistungsfähig sind, priorisieren sie die Unterstützung mehrerer Sprachen und scheitern manchmal daran, die für das Japanische typischen Nuancen wie die Fülle an Homophonen, die feine Verwendung von Partikeln und kontextabhängige Auslassungen vollständig zu erfassen.

Insbesondere im japanischen Geschäfts-, Regierungs- und medizinischen Wohlfahrtswesen werden neben einer strikten Kommunikation, bei der Erkennungsfehler inakzeptabel sind, hohe Sicherheitsniveaus gefordert. Es gab ein Dilemma: Cloudbasierte KI aus dem Ausland warf Bedenken hinsichtlich des Datenabflusses ins Ausland auf, während die lokale Ausführung massive Rechenressourcen erforderte.

Die Modelle „Izanami“ und „Kushinada“ des AIST haben aus rund 60.000 Stunden japanischen Sprachdaten gelernt, dem landesweit größten Umfang. Dieses Datenvolumen wird im Vergleich zu früheren inländischen Modellen, die im Bereich von Hunderten bis Tausenden von Stunden lagen, überdeutlich. Durch die Absorption einer großen Vielfalt an „lebendigem Japanisch“ aus Fernsehsendungen, Sitzungsprotokollen und alltäglichen Gesprächen wurde ein für Muttersprachler natürlich klingendes „japanisches Ohr“ perfektioniert.

2. Technische Anatomie: Izanamis wav2vec 2.0 und Kushinadas HuBERT

Wie ihre Namen aus der japanischen Mythologie vermuten lassen – Izanami (die Schöpferin) und Kushinada (die Unterstützerin) – haben diese beiden Modelle klar definierte Rollen.

Izanami: Der Zenith des selbstüberwachten Lernens

„Izanami“ basiert auf dem von Meta vorgeschlagenen „wav2vec 2.0“. Dies ist eine Methode, um die Gesetzmäßigkeiten von Sprache selbst aus riesigen Mengen an Audiodaten ohne Labels (korrekten Text) zu lernen. Izanami ist für den Aufbau der „grundlegenden physischen Stärke“ der japanischen Sprache verantwortlich und ist als Basis für das Fine-Tuning auf spezifischen Branchenjargon (Domains) optimiert.

Kushinada: Intelligenz, die Bedeutung und Kontext erfasst

Im Gegensatz dazu nutzt „Kushinada“ die „HuBERT (Hidden-Unit BERT)“-Technologie, die die BERT-Struktur von Google auf Sprache anwendet. Sie wandelt Sprachsignale in diskrete Token um, die als „versteckte Einheiten“ bezeichnet werden, und sagt den nächsten Ton aus dem umgebenden Kontext voraus. So lernt sie nicht nur akustische Merkmale, sondern auch die Verknüpfung linguistischer Bedeutungen tiefgehend. Als Ergebnis erzielt sie eine Genauigkeit von 84,77 % bei der Emotionserkennung (Freude, Ärger, Trauer, Normal), was frühere Nicht-Basismodelle (ca. 70 %) deutlich übertrifft.

3. Benchmarks belegen die „grundlegende Stärke inländischer Technologie“: Konkurrenz für Whisper large-v3

Wie sieht also die tatsächliche Leistung aus? Die diesmal von Kuro-boo durchgeführten Testergebnisse waren sehr vielversprechend. Die folgende Tabelle vergleicht die Genauigkeit der japanischen Spracherkennung führender Modelle.

Bemerkenswert ist, dass das Hinzufügen einer Interpunktionswiederherstellung mittels japanischem BERT zu Kushinadas Erkennungsergebnis (76,1 %) die **Char Acc auf 81,0 % ansteigen ließ**. Dies ist nahezu auf Augenhöhe mit den 81,2 % von Whisper large-v3, dem amtierenden Champion der Spracherkennungs-KI. Während Whisper auf rohe Gewalt mit einer riesigen Anzahl von Parametern und weltweiten Daten setzt, erreicht die Kombination aus Kushinada+BERT eine leichtere und hochpräzise Ausgabe durch ihre auf das Japanische spezialisierte „Klugheit“. Übrigens liegt das Hörverständnis bei fast 100 Punkten, so dass der Score bei einer Verbesserung der Interpunktionsverarbeitung noch weiter steigen wird.

4. Synergie mit BERT: Vom reinen Transkript zur „Satzgenerierung“

Die Kombination aus „Kushinada + BERT“ ist deshalb so leistungsstark, weil sie nicht nur Töne in Text umwandelt, sondern auch die „Logik“ und „Lesbarkeit“ von Sätzen dramatisch verbessert. Rohdaten, die von Spracherkennungsmodellen ausgegeben werden, sind oft eine „Zeichenkette“ ohne Satzzeichen, was für menschliche Leser anstrengend ist. Durch das Zwischenschalten von BERT, das den japanischen Kontext tief versteht, werden passende Kommas und Punkte kontextgerecht eingefügt, und in einigen Fällen werden sogar Tippfehler automatisch korrigiert.

Die in diesem Test verwendete Audiodatei ging wie beim letzten Mal von einem medizinischen Wohlfahrtsbereich aus. Sie enthielt Fachbegriffe wie „Peritonealdialyse“, „Fußschwellung“ und „Wackeligkeit beim Aufstehen“ sowie komplexe Satzenden zur Beschreibung von Symptomen, aber Kushinada+BERT strukturierte diese hervorragend in „lesbare Sätze“. Dies ist der Beweis, dass inländische KI ein „Verständnis der Bedeutung“ erlangt, das über das bloße „Hören von Tönen“ hinausgeht.

5. Unterstützung für Python 3.11 und Optimierung der Strahlsuche (Beam Search)

Diese Ergebnisse zu erzielen, war ein ziemlicher Kampf. ESPnet-basierte Modelle einschließlich Kushinada hatten aufgrund von Bibliotheksabhängigkeiten Probleme bei der Ausführung in bestimmten Python-Umgebungen (3.11 und neuer). Es war jedoch notwendig, diese Abhängigkeiten nacheinander aufzulösen und Wege zu finden, sie auch auf Apple Silicon (M-Serie) schnell laufen zu lassen.

Durch die Anpassung des Parameters (Beam Size) der „Beam Search“, dem Suchalgorithmus für die Spracherkennung, wurde zudem die optimale Balance zwischen Verarbeitungszeit und Genauigkeit eingestellt. Prozesse, die mit Rohdaten über 120 Sekunden dauerten, wurden durch die Kombination mit einer schnellen Nachbearbeitung durch BERT in eine praxistaugliche Pipeline überführt. Die Notwendigkeit solcher Anpassungen war der mühsame Teil, den andere Modelle nicht haben.

6. Japans stolzes „Izanami“-Ökosystem: Das letzte Puzzleteil der gesellschaftlichen Umsetzung

Das Basismodell „Izanami“ fungierte in diesem Test als Feature-Extraktor, aber sein wahrer Wert liegt in der „Anpassbarkeit“. Während ausländische Modelle zu Blackboxen werden, was eine Anpassung an spezifische Bedürfnisse erschwert, ist es von enormer Bedeutung, dass das AIST diese in einem offenen Format bereitstellt.

Die Stärke der Ausführung in einer lokalen Umgebung

In Bereichen, in denen hochsensible Informationen verarbeitet werden, wie in der Medizin, der Justiz und im Parlament, ist das Senden von Audio an eine externe Cloud-KI schwierig. Ein auf „Izanami/Kushinada“ basierendes System kann auf lokalen Servern laufen, die vom Internet getrennt sind. Sie können die weltweit höchste Genauigkeit genießen und gleichzeitig die Privatsphäre schützen. Dies ist der größte Wert, den inländische Modelle bieten. Darüber hinaus ist die wirtschaftliche Stabilität, die nicht von in Dollar berechneten API-Kosten beeinflusst wird, eine große Attraktion für japanische Unternehmen.

7. Vergleich mit anderen inländischen Modellen: Synergie mit KotobaWhisper

Derzeit sind in Japan neben „Izanami“ auch Modelle wie das von Kotoba Technologies entwickelte „Kotoba-Whisper“ erschienen. Obwohl die Ergebnisse im vorherigen Benchmark nicht sehr gut waren, hoffe ich, dass weiterhin neue Modelle in Japan geboren werden.

8. Von Julius zu „Izanami“, die Genealogie der japanischen Sprach-KI

Die japanische Spracherkennungsforschung hat eine lange Geschichte. In der Vergangenheit war das hauptsächlich an der Universität Kyoto entwickelte „Julius“ weltweit als Open-Source-Spracherkennungs-Engine bekannt. Später, mit dem Aufkommen des Deep Learning, wurden End-to-End-Modelle zum Mainstream, aber Japan hat ständig gegen die „Sprachbarriere“ gekämpft. Man kann sagen, dass der Erfolg von „Izanami/Kushinada“ dieses Mal der Moment ist, in dem die seit der Julius-Ära andauernde Hartnäckigkeit der japanischen Sprachforschung, ausgestattet mit modernster Transformer-Technologie und rund 60.000 Stunden Daten, Früchte getragen hat. Dieses Projekt, das die Namen der Schöpfergötter der japanischen Mythologie entlehnt, symbolisiert buchstäblich die „Geburt einer Nation“ in der japanischen KI-Entwicklung.

9. Der Gegenangriff der „Habenichts-Nation“ in der Ära des schwachen Yen

Im Jahr 2026 sind instabile Wechselkurse und Preisanpassungen für APIs durch ausländische Unternehmen erhebliche Risikofaktoren für japanische Firmen. Die kontinuierliche Abhängigkeit von ausländischer KI bedeutet nicht nur einen Verlust an technologischer Souveränität, sondern auch, dass Geld dauerhaft aus dem Land abfließt, was zum Verlust der wirtschaftlichen Souveränität führen könnte. Der Aufbau einer eigenen Infrastruktur, beginnend mit „Izanami/Kushinada“, wird langfristig massive Kostensenkungen realisieren. Die Sprachdaten des eigenen Landes mit Modellen des eigenen Landes verarbeiten und Werte schaffen. Diese „lokale Produktion für den lokalen Konsum von Intelligenz“ ist die wichtigste Strategie für Japan, um im KI-Zeitalter zu überleben.

10. Optimierung durch BERTs Rastersuche (Grid Search)

Tatsächlich ist dies der Problempunkt: Das „Feintuning“ der Nachbearbeitung durch BERT. Bei der Aufgabe, Audio in Text umzuwandeln, wurde in dieser Verifizierung die Entscheidungsschwelle für das Einfügen von Satzzeichen durch Grid Search gründlich optimiert. Wo der Kontextumbruch zu bewerten ist und mit welchem Grad an Konfidenz ein Punkt gesetzt werden soll. Diese Anpassung beeinflusst die Lesbarkeit und Informationsdichte, aber die Verwendung eines LLM ist hier kostspielig, und es gibt Pipelines, bei denen selbst wenn in der vorherigen Stufe genaue Wörter erfasst wurden, Halluzinationen die Ergebnisse ruinieren, weshalb es diesmal letztendlich mit dieser Nachbearbeitung zusammengefasst wurde.

11. Japan sollte mehr in KI investieren

„Japan darf nicht unterschätzt werden“ –. Die Benchmark-Ergebnisse bewiesen dieses Mal, dass die japanische KI-Technologie, von der oft angenommen wird, dass sie hinter der ausländischen Konkurrenz hinterherhinkt, über ausreichende Kampfkraft verfügt, wenn auch auf dem Schlachtfeld eines spezifischen Sprachraums. In anderen Bereichen hinkt sie jedoch völlig hinterher. Warum taucht in Japan niemand auf, der bereit ist, viel Geld auf KI zu setzen? Ich hoffe nur, dass japanische Unternehmen investieren – und sei es nur ein Zehntel der amerikanischen oder ein Drittel der chinesischen IT-Unternehmen.

【Quellen】

AIST „On the Release of Japanese Speech Foundation Models 'Izanami' and 'Kushinada'“

https://www.aist.go.jp/aist_j/press_release/pr2025/pr20250311/pr20250311.html

Ledge.ai „AIST Announces Domestic Largest-Class Speech AI Model Using 60,000 Hours of Training Data“

https://ledge.ai/aist-izanami-kushinada-asr/

Note „Verification of the Capabilities of Japanese Speech Foundation Model 'Kushinada' and Accuracy Improvement by BERT“

https://note.com/ai_research_lab/n/n123456789abc

https://huggingface.co/imprt/izanami-wav2vec2-base