← すべてのモデル

GLM-ASR-Nano-2512

公開日 提供元 Zhipu AI

概要

GLM-ASR-Nano-2512は、実世界の複雑な音声環境を対象とする、約15億パラメータのオープンソース音声認識モデルです。音声を入力し、文字起こしを出力します。公式発表によると、特徴抽出に用いるWhisper V3音声エンコーダーの追加パラメータは、この15億には含まれていません。モデルカードのライセンス表記はMITです。 (zhipuai.cn)

能力と用途

  • 標準中国語、英語に加え、広東語などの方言に重点を置いています。小声やささやき声の認識にも対応するよう訓練されています。公式リポジトリは、WERが20%以下という基準で17言語に高い実用性があるとしています。 (github.com)
  • 音声入力や会議音声などの文字起こし、ローカル環境への組み込みに利用できます。公式発表は、智谱AI入力法をGLM-ASR技術の初の大規模な本番導入例としています。 (zhipuai.cn)
  • 公式評価では平均エラー率4.10と報告されています。これは特定の評価条件下の結果であり、あらゆる言語や環境での精度を保証するものではありません。 (zhipuai.cn)

制限・留意点

認識結果は音声や言語などの条件によって誤り得ます。ローカル実行には計算資源と対応環境が必要です。公式リポジトリによると、TransformersおよびSGLangへの対応に伴い重み形式が変更されたため、2025年12月27日より前にダウンロードした場合は最新版の再取得が必要です。 (github.com)

料金

2026年11月17日に中国国内向けと国際向けの公式料金表を確認しましたが、GLM-ASR-Nano-2512自体のAPI料金は未確認です。入力・出力それぞれの課金額も未確認です。両料金表には名称の異なるGLM-ASR-2512が掲載されていますが、その料金を本モデルに適用できるとは確認できないため、転記していません。自己ホスト時には別途計算資源などの費用が発生し得ます。 (docs.bigmodel.cn)

公開日と公式情報源