日本不可小觑！语音识别模型 Izanami + Kushinada + BERT 的奇迹

在全球人工智能（AI）开发竞赛中，日语的“语言障碍”有时是障碍，有时却也是独特进化的土壤。在 2025 年至 2026 年期间，日本语音识别 AI 社区对由产业技术综合研究所（AIST）开发的日语语音基础模型“Izanami”和“Kushinada”抱有极大期待。

随着 OpenAI 的 Whisper 席卷全球，人们往往认为语音识别是一个“已解决的问题”。然而，在日语的深层语义中，仍然存在着许多挑战。通过剖析最新的基准测试结果，我们将深入解释“Izanami/Kushinada + BERT”这一组合的惊人能力，它为日语语音输入开辟了新地平线，并展现了本土 AI 超越海外竞争对手的场景。

1. “Izanami 和 Kushinada”的背景：为什么需要本土基础模型

迄今为止，日本的语音识别一直被 Google 的 Speech-to-Text 和 OpenAI 的 Whisper 等海外模型所主导。虽然这些模型极其强大，但它们优先考虑多语言支持，有时无法完全捕捉日语特有的微妙差别，例如同音异义词的大量存在、助词的微妙用法以及依赖于上下文的省略等。

特别是在日本的商业、政府以及医疗福利等场景中，在不容许识别错误的严苛沟通环境下，需要极高的安全级别。这里存在一个两难境地：海外基于云的 AI 会引发数据泄露至国外的担忧，而在本地运行它们则需要庞大的计算资源。

AIST 的“Izanami”和“Kushinada”从大约 60,000 小时的日语语音数据中进行了学习，这是日本国内最大规模的数据量。与此前仅有数百至数千小时级别的国内模型相比，这一数据量优势显而易见。通过吸收来自电视广播、会议纪要和日常对话等广泛而多样的“活生生的日语”，一个对母语者来说听起来非常自然的“日语耳朵”宣告完成。

2. 技术解剖：Izanami 的 wav2vec 2.0 与 Kushinada 的 HuBERT

正如它们源自日本神话的名字——Izanami（创造之神）与 Kushinada（守护之神）所暗示的那样，这两个模型有着明确分工的设计。

Izanami：自监督学习的顶点

“Izanami”基于 Meta 提出的“wav2vec 2.0”。这是一种在没有标签（正确文本）的情况下，从大量音频数据中学习语音本身规律的方法。Izanami 负责构建日语语音的“基础身体素质”，并在针对特定行业术语（领域）进行微调（Fine-tuning）时被优化为基础模型。

Kushinada：把握意义与上下文的智能

相比之下，“Kushinada”采用了“HuBERT (Hidden-Unit BERT)”技术，将 Google 的 BERT 结构应用于语音。它将语音信号转换成被称为“隐藏单元”的离散标记，并从周围上下文中预测下一个声音，从而深度学习不仅是声学特征，还有语言意义的关联。结果，它在情感识别（喜、怒、哀、常态）中达到了 84.77% 的准确率，显著超越了此前非基础模型（约 70%）的表现。

3. 基准测试证明“本土技术的底蕴”：比肩 Whisper large-v3

那么，实际表现如何？Kuro-boo 此次进行的测试结果非常令人欣喜。下表对比了主要模型在日语语音识别方面的准确率。

值得注意的是，在 Kushinada 的识别结果（76.1%）中加入使用日语 BERT 的标点符号恢复（Punctuation Restoration）后，**字准率（Char Acc）跃升至 81.0%**。这几乎与语音识别 AI 的霸主 Whisper large-v3 的 81.2% 持平。虽然 Whisper 依靠的是庞大参数量和全球数据的“暴力破解”，但 Kushinada + BERT 的组合通过专注于日语的“聪明才智”，实现了**更轻量**且高精度的输出。顺便提一下，其**听力理解几乎是 100 分**，所以如果标点处理得到改善，得分还会进一步提高。

4. 与 BERT 的协同效应：从单纯的听写到“句子生成”

“Kushinada + BERT”组合之所以强大，是因为它不仅将声音转换为文本，还极大地提高了句子作为段落的“逻辑性”和“可读性”。语音识别模型吐出的原始数据往往是没有标点符号的“一长串字符”，这会给人类读者带来阅读压力。通过介入能深层理解日语上下文的 BERT，能根据语境插入合适的逗号和句号，在某些情况下，甚至能自动修正错别字。

本次测试中使用的音频与上次一样，模拟了医疗福利场景。它包含了像“腹膜透析”、“脚部肿胀”和“站立时摇晃”等专业术语，以及描述症状的复杂句尾表达，但 Kushinada + BERT 精彩地将这些结构化为“可读的句子”。这证明了本土 AI 正在获得超越单纯“听声音”的“理解意义”的能力。

5. Python 3.11 支持与束搜索（Beam Search）优化

获得这些结果经历了一番苦战。包括 Kushinada 在内的基于 ESPnet 的模型由于库的依赖关系，在某些 Python 环境（3.11 及更高版本）中运行时会遇到问题。然而，必须逐一解开这些依赖关系，并设法使其即使在 Apple Silicon（M 系列）上也能快速运行。

同时，通过调整语音识别探索 grain 算法“束搜索”的参数（Beam Size），我们调整了处理时间与准确率之间的最佳平衡。通过与 BERT 的高速后处理结合，将原始数据处理需要 120 秒以上的复杂过程提升到了具有实用价值的管道中。进行此类调整的需求是其他模型所没有的繁琐之处。

6. 日本引以为豪的“Izanami”生态系统：社会落地的最后一块拼图

基础模型“Izanami”在此次测试中充当了特征提取器，但其真正价值在于“可定制性”。由于海外模型通常是黑匣子，很难根据特定需求对其进行调整，而 AIST 以开放格式提供这些模型具有极其重大的意义。

在本地环境中运行的优势

在处理医疗、司法和议会等高度敏感信息的场景中，将音频发送给外部云端 AI 是很困难的。基于“Izanami/Kushinada”的系统可以运行在断开互联网的本地服务器上。您可以在**保护隐私**的同时，享受世界最高水平的准确率。这是本土模型所能提供的最大价值。此外，不受美元计价 API 成本波动影响的经济稳定性也是吸引日本企业的一大亮点。

7. 与其他本土模型的对比：与 KotobaWhisper 的协同效应

目前在日本，除了“Izanami”之外，由 Kotoba Technologies 开发的“Kotoba-Whisper”等模型也已面世。虽然在之前的基准测试中结果不是特别理想，但我希望日本能继续诞生新的模型。

8. 从 Julius 到“Izanami”：日本语音 AI 的谱系

日本的语音识别研究历史悠久。过去，主要由京都大学开发的“Julius”作为开源语音识别引擎在全球闻名。后来，随着深度学习的兴起，端到端模型成为主流，但日本一直在与“语言障碍”进行斗争。此次“Izanami/Kushinada”的成功，可以说是从 Julius 时代延续至今的日本语音研究人员的韧性，在配备了最新的 Transformer 技术和约 60,000 小时数据后结出的硕果。该项目借用了日本神话中创造神的名字，字面意思上象征着日本 AI 开发中的“建国”。

9. 日元贬值时代“无资源国家”的反击

2026年，不稳定的汇率以及外国公司的 API 调价是日本企业面临的主要风险因素。继续依赖海外 AI 不仅意味着失去技术主权，还意味着**资金将永久流出国外**，这可能导致丧失经济主权。以“Izanami/Kushinada”为起点构建自己的基础设施，从长远来看将实现巨大的成本削减。用自己国家的模型处理自己国家的语言数据并创造价值。这种“**智能的自产自销（local production for local consumption of intelligence）**”是日本在 AI 时代生存的最重要战略。

10. 通过 BERT 的网格搜索（Grid Search）进行优化

实际上，这正是问题所在——由 BERT 进行的后处理“微调”。在将音频转换为文本的任务中，本次验证中通过网格搜索彻底优化了插入标点符号的判断阈值。在哪里判断语境的断点，并以多大的置信度放入句号。这种调整会影响可读性和信息密度，但在这一步使用 LLM 成本太高，而且在某些管道中，**即使在前一阶段捕获了准确的单词，幻觉也会毁掉最终结果**，因此这次最终通过这种后处理方式进行了总结。

11. 日本应该向 AI 投入更多资金

“日本不可小觑”——。此次的基准测试结果证明，经常被认为落后于海外竞争对手的日本 AI 技术，虽然是在特定语言领域的战场上，但已拥有足够的战斗力。然而，在其他领域它完全落后了。为什么日本没有出现愿意在 AI 上下大注的大资本家？我只希望**日本企业能进行投资**，即使只有美国 IT 公司的十分之一，或者中国 IT 公司的三分之一也好。

【参考来源】

AIST “关于日语语音基础模型‘Izanami’和‘Kushinada’的发布”

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

Ledge.ai “AIST 宣布使用 60,000 小时训练数据的国内最大规模语音 AI 模型”

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

Note “日语语音基础模型‘Kushinada’的实力验证及通过 BERT 提升准确率”

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

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