Il Giappone non va sottovalutato! La meraviglia dei modelli di riconoscimento vocale Izanami + Kushinada + BERT

Nella corsa globale allo sviluppo dell'IA, la "barriera linguistica" del giapponese è stata a volte un ostacolo e a volte il terreno per un'evoluzione unica. Tra il 2025 e il 2026, la comunità giapponese dell'IA per il riconoscimento vocale ha riposto grandi aspettative in "Izanami" e "Kushinada", modelli linguistici di base per il giapponese sviluppati dall'AIST (National Institute of Advanced Industrial Science and Technology).

Con il Whisper di OpenAI che ha conquistato il mondo, il riconoscimento vocale è spesso considerato un "problema risolto". Tuttavia, nelle profondità della lingua giapponese, rimanevano molte sfide. Analizzando gli ultimi risultati dei benchmark, spieghiamo a fondo le straordinarie capacità di "Izanami/Kushinada + BERT", che apre un nuovo orizzonte per l'input vocale in giapponese, e lo scenario in cui l'IA nazionale supera i concorrenti stranieri.

1. Il retroscena di 'Izanami e Kushinada': perché sono necessari modelli di base nazionali

Finora, il riconoscimento vocale in giapponese è stato dominato da modelli stranieri come Speech-to-Text di Google e Whisper di OpenAI. Pur essendo estremamente potenti, questi modelli danno priorità al supporto multilingue, non riuscendo talvolta a cogliere appieno le sfumature uniche del giapponese, come l'abbondanza di omofoni, l'uso delicato delle particelle e le omissioni dipendenti dal contesto.

In particolare nei settori aziendali, governativi e socio-sanitari del Giappone, sono richiesti elevati livelli di sicurezza e una comunicazione rigorosa in cui gli errori di riconoscimento non sono ammessi. C'era un dilemma: l'IA basata su cloud esteri sollevava preoccupazioni circa la fuga di dati all'estero, mentre l'esecuzione locale richiedeva enormi risorse di calcolo.

I modelli "Izanami" e "Kushinada" dell'AIST hanno appreso da circa 60.000 ore di dati vocali giapponesi, la scala più grande del paese. Questo volume di dati è evidente se confrontato con i precedenti modelli nazionali che si attestavano nell'ordine di centinaia o migliaia di ore. Assorbendo un'ampia varietà di "giapponese vivo" da trasmissioni televisive, verbali di riunioni e conversazioni quotidiane, è stato perfezionato un "orecchio giapponese" che suona naturale per i madrelingua.

2. Anatomia tecnica: wav2vec 2.0 di Izanami e HuBERT di Kushinada

Come suggeriscono i loro nomi derivati dalla mitologia giapponese — Izanami (la creatrice) e Kushinada (la sostenitrice) — questi due modelli hanno ruoli chiaramente definiti.

Izanami: il culmine dell'apprendimento auto-supervisionato

"Izanami" si basa su "wav2vec 2.0" proposto da Meta. Si tratta di un metodo per apprendere le regolarità del parlato stesso da vaste quantità di dati audio privi di etichette (testo corretto). Izanami ha il compito di costruire la "forza fisica di base" del parlato giapponese ed è ottimizzato come base per il fine-tuning su gergo industriale specifico (domini).

Kushinada: l'intelligenza che coglie significato e contesto

Al contrario, "Kushinada" adotta la tecnologia "HuBERT (Hidden-Unit BERT)", che applica la struttura BERT di Google al parlato. Converte i segnali vocali in token discreti chiamati "hidden units" e predice il suono successivo a partire dal contesto circostante, apprendendo a fondo non solo le caratteristiche acustiche ma anche il collegamento dei significati linguistici. Di conseguenza, ottiene un tasso di precisione dell'84,77% nel riconoscimento delle emozioni (gioia, rabbia, tristezza, normale), superando nettamente i precedenti modelli non di base (circa 70%).

3. I benchmark dimostrano la 'forza intrinseca della tecnologia nazionale': rivaleggia con Whisper large-v3

Quali sono le prestazioni effettive? I risultati dei test condotti da Kuro-boo questa volta sono stati piuttosto promettenti. La tabella seguente confronta l'accuratezza del riconoscimento vocale in giapponese dei principali modelli.

La cosa notevole è che l'aggiunta del ripristino della punteggiatura tramite BERT giapponese al risultato di riconoscimento di Kushinada (76,1%) ha fatto **balzare il Char Acc all'81,0%**. Si tratta di un valore quasi analogo all'81,2% di Whisper large-v3, il campione indiscusso delle IA di riconoscimento vocale. Mentre Whisper si affida alla forza bruta con un numero enorme di parametri e dati mondiali, la combinazione Kushinada+BERT ottiene un output più leggero e altamente accurato grazie alla sua "intelligenza" specializzata nel giapponese. Tra l'altro, la comprensione dell'ascolto è quasi di 100 punti, quindi se l'elaborazione della punteggiatura migliora, il punteggio salirà ulteriormente.

4. Sinergia con BERT: dalla semplice trascrizione alla 'generazione di frasi'

La combinazione "Kushinada + BERT" è potente perché non si limita a convertire i suoni in testo, ma migliore nettamente la "logica" e la "leggibilità" delle frasi. I dati grezzi prodotti dai modelli di riconoscimento vocale sono spesso una "sequenza di caratteri" senza punteggiatura, il che stanca chi legge. Interponendo BERT, che comprende a fondo il contesto giapponese, vengono inserite virgole e punti appropriati a seconda del contesto, e in alcuni casi viene eseguita anche la correzione automatica dei refusi.

L'audio utilizzato in questo test presupponeva un contesto socio-sanitario come l'ultima volta. Includeva termini tecnici come "dialisi peritoneale", "gonfiore ai piedi" e "instabilità nell'alzarsi in piedi", nonché espressioni complesse di fine frase che descrivevano i sintomi, ma Kushinada+BERT li ha strutturati egregiamente in "frasi leggibili". Questa è la prova che l'IA nazionale sta acquisendo la "comprensione del significato" al di là del semplice "ascolto dei suoni".

5. Supporto per Python 3.11 e ottimizzazione della ricerca a fascio (Beam Search)

Ottenere questi risultati è stato piuttosto faticoso. I modelli basati su ESPnet, tra cui Kushinada, presentavano problemi di esecuzione in determinati ambienti Python (3.11 e successivi) a causa delle dipendenze delle librerie. Tuttavia, è stato necessario districare tali dipendenze una ad una e trovare il modo di farlo girare velocemente anche su Apple Silicon (serie M).

Inoltre, regolando il parametro (Beam Size) del "Beam Search", l'algoritmo di ricerca per il riconoscimento vocale, è stato impostato l'equilibrio ottimale tra tempo di elaborazione e accuratezza. I processi che richiedevano oltre 120 secondi con i dati grezzi sono stati portati a una pipeline pratica combinandoli con il post-processing ad alta velocità di BERT. La necessità di tali regolazioni è stata la parte complessa che altri modelli non hanno.

6. L'orgoglioso ecosistema 'Izanami' del Giappone: l'ultimo tassello dell'implementazione sociale

Il modello di base "Izanami" ha agito come estrattore di caratteristiche in questo test, ma il suo vero valore risiede nella "personalizzabilità". Mentre i modelli stranieri diventano scatole nere che rendono difficile adattarli a esigenze specifiche, è estremamente significativo che l'AIST li fornisca in un formato aperto.

La forza dell'esecuzione in un ambiente locale

In contesti in cui si gestiscono informazioni altamente sensibili, come in campo medico, giudiziario e parlamentare, inviare l'audio a un'IA cloud esterna è difficile. Un sistema basato su "Izanami/Kushinada" può essere eseguito su server locali scollegati da Internet. È possibile godere del massimo livello di precisione al mondo proteggendo al contempo la privacy. Questo è il valore più grande offerto dai modelli nazionali. Inoltre, la stabilità economica legata al non dipendere dai costi delle API espressi in dollari è un altro grande fattore di attrazione per le aziende giapponesi.

7. Confronto con altri modelli nazionali: sinergia con KotobaWhisper

Attualmente in Giappone, oltre a "Izanami", sono apparsi modelli come "Kotoba-Whisper" sviluppato da Kotoba Technologies. Sebbene i risultati non siano stati ottimali nel precedente benchmark, spero che in Giappone continuino a nascere nuovi modelli.

8. Da Julius a 'Izanami', la genealogia dell'IA vocale giapponese

La ricerca sul riconoscimento vocale giapponese ha una lunga storia. In passato, "Julius", sviluppato principalmente presso l'Università di Kyoto, era noto a livello mondiale come motore di riconoscimento vocale open source. In seguito, con l'avvento del deep learning, i modelli End-to-End sono diventati la norma, ma il Giappone ha costantemente lottato contro la "barriera linguistica". Si può dire che il successo di "Izanami/Kushinada" questa volta sia il momento in cui la tenacia della ricerca sul parlato giapponese, che prosegue dall'era di Julius, ha dato i suoi frutti, armata della più recente tecnologia transformer e di circa 60.000 ore di dati. Questo progetto, che prende in prestito i nomi delle divinità creatrici della mitologia giapponese, simboleggia letteralmente la "nascita di una nazione" nello sviluppo dell'IA giapponese.

9. Il contrattacco della 'nazione dei non abbienti' nell'era del yen debole

Nel 2026, l'instabilità dei tassi di cambio e le revisioni dei prezzi delle API da parte di aziende straniere rappresentano importanti fattori di rischio per le aziende giapponesi. Continuare a fare affidamento sull'IA estera significa non solo perdere la sovranità tecnologica, ma anche che il denaro fluirà permanentemente fuori dal paese, con il rischio di perdere la sovranità economica. Costruire una propria infrastruttura, a partire da "Izanami/Kushinada", consentirà di ottenere enormi riduzioni dei costi a lungo termine. Elaborare i dati linguistici del proprio paese con i modelli del proprio paese e creare valore. Questa "produzione locale per il consumo locale di intelligenza" è la strategia più importante per far sì che il Giappone sopravviva nell'era dell'IA.

10. Ottimizzazione tramite la Grid Search di BERT

In realtà, questo è il punto critico: il "fine-tuning" del post-processing tramite BERT. Nel compito di sostituire l'audio con il testo, in questa verifica, la soglia di giudizio per l'inserimento dei segni di punteggiatura è stata ottimizzata a fondo tramite Grid Search. Dove valutare l'interruzione nel contesto e con quale grado di confidenza inserire un punto. Questa regolazione influisce sulla leggibilità e sulla densità delle informazioni, ma usare un LLM in questa fase è costoso, e vi sono pipeline in cui anche se le parole esatte vengono catturate nella fase precedente, le allucinazioni rovinano i risultati, motivo per cui alla fine questa volta si è optato per questo post-processing.

11. Il Giappone dovrebbe investire di più nell'IA

"Il Giappone non va sottovalutato" —. I risultati dei benchmark questa volta hanno dimostrato che la tecnologia dell'IA giapponese, spesso ritenuta in ritardo rispetto ai concorrenti stranieri, possiede una sufficiente potenza di combattimento, sebbene sul campo di battaglia di una specifica area linguistica. Tuttavia, in altri campi è completamente indietro. Perché in Giappone non si fa avanti nessuno con i capitali necessari per scommettere forte sull'IA? Spero solo che le aziende giapponesi investano anche solo un decimo delle aziende IT americane o un terzo di quelle cinesi.

【Fonti】

AIST "Sul rilascio dei modelli vocali di base giapponesi 'Izanami' e 'Kushinada'"

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

Ledge.ai "AIST annuncia il modello IA vocale su scala più ampia del paese utilizzando 60.000 ore di dati di addestramento"

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

Note "Verifica delle capacità del modello vocale di base giapponese 'Kushinada' e miglioramento dell'accuratezza tramite BERT"

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

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