---
license: apache-2.0
language:
- ja
base_model: moonshine-ai/moonshine-streaming-small
base_model_relation: finetune
datasets:
- reazon-research/reazonspeech
library_name: transformers
pipeline_tag: automatic-speech-recognition
tags:
- automatic-speech-recognition
- speech
- japanese
- streaming
- low-latency
- on-device
- onnx
metrics:
- cer
- wer
---

# kodama-ja-streaming-small

> **kodama**（谺／木霊）＝ 反響・こだま。*An independent name; "kodama" means "echo" in Japanese.*

日本語ストリーミング音声認識（ASR）モデル。`moonshine-ai/moonshine-streaming-small`（MIT・英語）を
**ReazonSpeech v2 の全量 35,000 時間**でフルファインチューニングしたものです。
CPU オフライン動作・低遅延ストリーミングを想定し、**ONNX / ORT の deploy 資産（324MB）を同梱**しています。

> **これは独立したモデルであり、Moonshine AI / Useful Sensors, Inc. の製品でも公認モデルでもありません。**
> 公式日本語 Moonshine（`moonshine-tiny-ja` / `moonshine-base-ja`）およびその変換・量子化派生は、
> 初期重み・tokenizer・decoder 重みのいずれにも**一切使っていません**（ベンチマーク比較にのみ使用）。
> 詳細は [NOTICE](./NOTICE) を参照してください。

<details>
<summary><b>English summary</b></summary>

A Japanese streaming ASR model, full fine-tuned from `moonshine-ai/moonshine-streaming-small`
(MIT, English) on 35,000 hours of ReazonSpeech v2. Ships with ONNX/ORT deploy graphs (324 MB)
for CPU on-device, low-latency use.

**Where it is strong** (offline CER, paired bootstrap CI, matched n):

- Beats `vosk-model-small-ja-0.22` (48 MB) on **all 6** evaluated sets by **34-38 % relative**,
  and reaches its first partial result about **5.3x sooner**.
- Beats `vosk-model-ja-0.22` (1 GB) on **5 of 6** sets at **1/3 the size**.
- Beats the official `moonshine-base-ja` on emotional/character speech and dialogue
  (JVNV, SpeechBSD) by 16-43 % relative.

**Where it is weak - please read before adopting:**

- **Noise is the biggest weakness** (+0.1033 CER vs `moonshine-base-ja` at SNR 10 dB).
- Worse than `moonshine-base-ja` on general-purpose speech (FLEURS), short utterances,
  and proper nouns. This is **not** a general-purpose replacement.
- **Streaming costs accuracy**: +0.0538 CER versus offline at the shipped setting.
- `hallucination_rate` is 0.10-0.12 on several sets and did **not** improve with more data.

This is not a product of Moonshine AI. See [NOTICE](./NOTICE).

</details>

---

## 1. モデル諸元

| 項目 | 値 |
|---|---|
| アーキテクチャ | Moonshine Streaming（Encoder/Decoder 各10層・語彙 32,768・16kHz） |
| パラメータ数 | **140,135,225（140.1M）** |
| 重み（PyTorch） | `model.safetensors` 560,571,260 bytes（F32・262 テンソル） |
| ONNX deploy 3グラフ | **323.6MB**（float encoder + float cross_kv prefill + int8a decode step） |
| ORT 3グラフ | **319.6MB** |
| 学習データ | **ReazonSpeech v2 "all"（35,000h）単独** |
| ライセンス | Apache-2.0（ベースは MIT・[NOTICE](./NOTICE) 参照） |

> ⚠️ ベースモデルのモデルカードは 123M と記載していますが、**safetensors ヘッダの実測は 140,135,225 params** です。
> 本モデルはアーキテクチャ・tokenizer とも無改変なので同じ値になります。

---

## 2. 使い方

### 2.1 Transformers（オフライン推論）

```bash
pip install --upgrade "git+https://github.com/huggingface/transformers.git#egg=transformers" "datasets[audio]"
```

```python
import torch
from transformers import MoonshineStreamingForConditionalGeneration, AutoProcessor

model_id = "ayousanz/kodama-ja-streaming-small"
device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = MoonshineStreamingForConditionalGeneration.from_pretrained(model_id).to(device)
processor = AutoProcessor.from_pretrained(model_id)

# audio は 16kHz mono の 1次元配列
inputs = processor(audio_16k_mono, return_tensors="pt", sampling_rate=16000).to(device)

# ハルシネーションループを避けるため出力長を制限する（ベースモデル推奨の式）
token_limit_factor = 6.5 / processor.feature_extractor.sampling_rate
max_length = int((inputs.attention_mask.sum(dim=-1) * token_limit_factor).max().item())

ids = model.generate(**inputs, max_length=max_length)
print(processor.decode(ids[0], skip_special_tokens=True))
```

> ⚠️ **Transformers 経路で遅延・RTF を測らないでください。** Transformers 実装は効率的な
> ストリーミング経路が未完成であるとベースモデル側が明記しています。本カードの遅延値は
> すべて **ONNX Runtime 経路の実測**です。

### 2.2 ONNX Runtime（低遅延・CPU）

同梱の deploy 3グラフを使います。**この3つで1セット・1モデル**です。

| ファイル | サイズ | 役割 |
|---|---:|---|
| `onnx/encoder.onnx` + `.onnx.data` | 207.9MB | 音響エンコーダ（float。**int8 化は精度が落ちるため不可**） |
| `onnx/cross_kv_prefill.onnx` + `.onnx.data` | 32.5MB | cross-attention KV の前計算（float） |
| `onnx/decoder_step_crosskv.int8a.onnx` | 83.1MB | 1ステップ decode（int8 動的量子化・**CER 無劣化**） |

`.ort` 版（`ort/`・計 319.6MB）はモバイル／組込み向けの事前最適化形式です。

> ⚠️ 同梱の `.ort` は**公式 moonshine-voice の6グラフ束とは非互換**です（3グラフ分割で I/O 名と
> cache レイアウトが異なります）。公式ランタイムにそのまま差し込むことはできません。

---

## 3. 評価条件（数値を読む前に）

- **主指標は CER**（WER は副指標・`fugashi` + `unidic-lite` で分かち書き）。日本語なので WER で最適化していません。
- **テキスト正規化は全モデル共通の単一実装**を通しています（本モデル・公式 ja Moonshine・Vosk すべて同じ関数）。
  評価時は句読点除去つきで統一。
- **比較は必ず同一サブセット・同一 n** で行い、**paired bootstrap CI**（n_boot=1000・seed=0）で有意性を判定しています。
  端点の比較だけで「改善した」とは書いていません。
- 全評価は逐次実行で `n_errors=0`（並列実行は CUDA エラーで発話が落ち、CER が壊れるため）。
- **精度・オフライン速度・ストリーミング遅延は別々の表**に載せています（混ぜると誤読を招くため）。

### 評価セット

| ID | 内容 | n |
|---|---|---:|
| `fleurs` | FLEURS ja_jp test（汎用・読み上げ） | 650 |
| `dom_g` | **対象ドメイン（PRIMARY）**: キャラクター音声・感情音声（あみたろ／つくよみちゃん／JVNV） | 629 |
| `speechbsd` | SpeechBSD（対話の代理指標） | 800 |
| `jvnv_regular` / `jvnv_free` | JVNV（感情音声の代理指標） | 800 / 240 |
| `short` / `noise` / `propn` | 診断セット（FLEURS 派生。短発話／SNR 10dB 雑音付加／固有名詞） | 130 / 400 / 248 |

---

## 4. 精度 — 公式日本語 Moonshine base との比較

比較対象は `moonshine-base-ja`（61.5M params・**非ストリーミング**・本モデルの 44% のサイズ）。
**ベンチマーク比較のためだけに使用**しており、学習には一切関与していません。

Δ は `ours - baseline`。**負なら本モデルが良い**。

| 評価セット | n | moonshine-base-ja | **ours** | Δ | 95%CI | 判定 |
|---|---:|---:|---:|---:|---|---|
| `jvnv_free` | 240 | 0.1121 | **0.0638** | **-0.0483** | [-0.0698, -0.0271] | 🟢 **ours 有意優位**（-43%） |
| `jvnv_regular` | 800 | 0.1415 | **0.0968** | **-0.0447** | [-0.0578, -0.0319] | 🟢 **ours 有意優位**（-32%） |
| `speechbsd` | 800 | 0.1320 | **0.1108** | **-0.0213** | [-0.0363, -0.0069] | 🟢 **ours 有意優位**（-16%） |
| **`dom_g`（PRIMARY）** | 629 | 0.1472 | 0.1567 | +0.0095 | **[-0.0063, +0.0245]** | ⚪ **有意差なし** |
| `short` | 130 | 0.1168 | 0.1448 | +0.0281 | [+0.0046, +0.0517] | 🔴 ours 劣位 |
| `propn` | 248 | 0.1354 | 0.1695 | +0.0341 | [+0.0134, +0.0534] | 🔴 ours 劣位 |
| `fleurs` | 650 | 0.1091 | 0.1480 | +0.0390 | [+0.0286, +0.0515] | 🔴 ours 劣位 |
| **`noise`（SNR10dB）** | 400 | 0.1330 | 0.2363 | **+0.1033** | [+0.0855, +0.1239] | 🔴 **最大の弱点** |

### ⚠️ 「dom_g で有意差なし」を正しく読むために

**「公式 ja Moonshine を超えた」とは言えません。** 点推定では依然 baseline が上（0.1472 vs 0.1567）で、
「有意差なし」は**同等と区別できない**という意味です。

**さらに、この「同等」は話者間の相殺です。** 合計値だけを見ると一様に同等に見えますが、
実際は逆方向の差が打ち消し合っています。

| 話者 | n | moonshine-base-ja | **ours** | Δ | 95%CI | 判定 |
|---|---:|---:|---:|---:|---|---|
| あみたろ | 302 | 0.1120 | 0.1908 | **+0.0788** | [+0.0596, +0.0981] | 🔴 **有意に劣位** |
| つくよみちゃん | 100 | 0.2532 | 0.2879 | **+0.0347** | [+0.0030, +0.0661] | 🔴 **有意に劣位** |
| JVNV | 227 | 0.1281 | **0.0644** | **-0.0637** | [-0.0868, -0.0432] | 🟢 **有意に優位** |
| 合計 | 629 | 0.1472 | 0.1567 | +0.0095 | [-0.0063, +0.0245] | ⚪ 有意差なし |

**キャラクター音声2話者では負けています。** 全量 35,000 時間でも埋まりませんでした。

> ⚠️ **`dom_g` の汚染可能性は排除できていません。** 素材は ITA / JVS の公開台本の読み上げで、比較対象の
> `moonshine-base-ja` は**学習データを開示していません**。したがって汚染判定は fail-closed で UNKNOWN です。
> 差が縮んだ今、この留保はより重要になります。

---

## 5. 精度 — Vosk との比較

同じ土俵（CPU オフライン・ストリーミング・パーミッシブライセンス）の直接競合である
**Vosk**（Alpha Cephei・Kaldi hybrid・Apache-2.0）と、n を揃えて比較しました。

### 5.1 vs `vosk-model-small-ja-0.22`（48MB）— **6セット全勝**

| 評価セット | n | Vosk small | **ours** | Δ | 95%CI | 相対 |
|---|---:|---:|---:|---:|---|---:|
| `propn` | 248 | 0.2625 | **0.1695** | -0.0929 | [-0.1120, -0.0721] | **-35%** |
| `dom_g` | 629 | 0.2478 | **0.1567** | -0.0911 | [-0.1054, -0.0770] | **-37%** |
| `fleurs` | 650 | 0.2248 | **0.1480** | -0.0768 | [-0.0898, -0.0640] | **-34%** |
| `speechbsd` | 800 | 0.1712 | **0.1108** | -0.0605 | [-0.0713, -0.0482] | **-35%** |
| `jvnv_regular` | 800 | 0.1551 | **0.0968** | -0.0583 | [-0.0700, -0.0474] | **-38%** |
| `jvnv_free` | 240 | 0.1000 | **0.0638** | -0.0362 | [-0.0509, -0.0218] | **-36%** |

**全セットで CI が 0 を跨がず、相対 34〜38% 改善**しています。

### 5.2 vs `vosk-model-ja-0.22`（1GB）— **6セット中5セット優位・サイズは 1/3**

| 評価セット | n | Vosk big | **ours** | Δ | 95%CI | 判定 |
|---|---:|---:|---:|---:|---|---|
| `jvnv_regular` | 800 | 0.1459 | **0.0968** | -0.0491 | [-0.0617, -0.0364] | 🟢 有意優位 |
| `propn` | 248 | 0.2012 | **0.1695** | -0.0316 | [-0.0507, -0.0113] | 🟢 有意優位 |
| `fleurs` | 650 | 0.1703 | **0.1480** | -0.0223 | [-0.0358, -0.0074] | 🟢 有意優位 |
| `dom_g` | 629 | 0.1776 | **0.1567** | -0.0209 | [-0.0348, -0.0069] | 🟢 有意優位 |
| `speechbsd` | 800 | 0.1303 | **0.1108** | -0.0195 | [-0.0292, -0.0092] | 🟢 有意優位 |
| `jvnv_free` | 240 | 0.0747 | 0.0638 | -0.0109 | **[-0.0257, +0.0040]** | ⚪ **有意差なし** |

> ⚠️ **「1GB の Vosk に全セットで勝った」とは書けません**（`jvnv_free` は CI が 0 を跨ぎます）。

**Vosk 比較で未計測のこと**（結論を一般化しないでください）:

- **雑音条件は未比較**です。本モデルは雑音が最大の弱点であり、**Kaldi hybrid は雑音に強い可能性があります**。
  上記の「全セット優位」を雑音環境に一般化しないでください。
- **Vosk 側の診断セット（`short` / `noise`）は未測定**です。
- 遅延計測時、**Vosk の endpointing は無効のまま**測っています（有効なら Vosk の Finalization は
  さらに前倒しになる＝Vosk 有利方向の未計測要因）。

---

## 6. オフライン速度・サイズ

**精度表とは別条件です**（同一マシン・CPU）。

| モデル | params | 配布サイズ | offline RTF |
|---|---:|---:|---:|
| **ours** | 140.1M | **324MB**（ONNX deploy） | **0.19** |
| `moonshine-base-ja` | 61.5M | 約 60MB | — |
| `vosk-model-small-ja-0.22` | — | 48MB | 0.62 |
| `vosk-model-ja-0.22` | — | 1GB | 0.21 |

**絶対サイズでは公式 ja Moonshine（61.5M）と Vosk small（48MB）に負けています。**
訴求できるのは「サイズ対性能のバランス」であって「最小」ではありません。

---

## 7. ストリーミング遅延

**精度表・オフライン速度表とは別条件です。** block 500ms・同一マシン・CPU。
**n は行ごとに異なります**（ours 採用設定 n=24／Vosk n=8）。

| モデル | サイズ | TTFP（初回部分結果） | Finalization（確定まで） | offline RTF |
|---|---:|---:|---:|---:|
| **ours**（採用設定・実効 margin 24） | 324MB | 1091〜1138ms | 883〜957ms | **0.19** |
| `vosk-model-small-ja-0.22` | 48MB | **5997ms** | **29ms** | 0.62 |
| `vosk-model-ja-0.22` | 1GB | 1082ms | **133ms** | 0.21 |

- **Vosk small（48MB）に対しては TTFP 約 5.3倍・RTF 3.3倍 速い**＝「48MB は小さいが低遅延ではない」。
- **Vosk big（1GB）に対しては Finalization が 6.6〜7.2倍 劣位**です。AED は全 encoder フレームに
  cross-attend するため、**Kaldi の増分デコードには構造的に及ばず、パラメータ調整では埋まりません**。
  対話 UI の体感を最も左右する指標なので、そこが重要な用途では Vosk big を検討してください。
- Finalization は CPU 実測で、同一設定の再測定でも約 8% 振れます。

### ストリーミングは精度とのトレードオフです

ストリーミング動作は **bounded-tail revision（local-agreement）** で実装しています。
実効 margin を変えると **CER と Finalization が逆方向に動きます**。

| 実効 margin | CER | offline との差 | Finalization | 途中打ち切り |
|---|---:|---:|---:|---:|
| 12 | 0.2159 | +0.1101 | 608ms | 3/24 |
| 16 | 0.2090 | +0.1032 | 703ms | 3/24 |
| **24（採用）** | **0.1596** | **+0.0538** | **883〜957ms** | **1/24** |
| 48 | 0.1578 | +0.0520 | 1387ms | 1/24 |
| 凍結なし | 0.1288 | +0.0230 | 2227ms | 0/24 |

（同一 n=24 での offline CER は 0.1058）

> 🚨 **本カードの精度表（§4・§5）はすべて offline の値です。**
> ストリーミングでは採用設定でも **CER が +0.0538 劣化**します。オフライン値をそのまま
> ストリーミングの性能として提示しないでください。

---

## 8. 全評価セットの実測値

すべて `checkpoint-84816`・逐次実行・`n_errors=0`。

| 評価セット | n | CER | WER | repetition_rate | hallucination_rate |
|---|---:|---:|---:|---:|---:|
| `fleurs` | 650 | 0.1480 | 0.1629 | 0.0000 | 0.1215 |
| **`dom_g`（PRIMARY）** | 629 | 0.1567 | 0.1555 | 0.0064 | 0.0000 |
| `propn` | 248 | 0.1695 | 0.1836 | 0.0000 | 0.1008 |
| `short` | 130 | 0.1448 | 0.1645 | 0.0000 | 0.1000 |
| `noise`（SNR10dB） | 400 | 0.2363 | 0.2572 | 0.0050 | 0.1200 |
| `speechbsd` | 800 | 0.1108 | 0.1236 | 0.0000 | 0.0575 |
| `jvnv_regular` | 800 | 0.0968 | 0.0829 | 0.0000 | 0.0000 |
| `jvnv_free` | 240 | 0.0638 | 0.0578 | 0.0000 | 0.0000 |

---

## 9. 既知の制限（採用前に必ずお読みください）

1. **🔴 雑音に弱い（最大の弱点）**。SNR 10dB で `moonshine-base-ja` に **+0.1033** 劣位。
   clean 比の劣化率は **ours +60% に対し baseline +22%** で、構造的に脆いと言えます
   （学習データの ReazonSpeech が比較的クリーンなため）。**雑音環境での利用は推奨しません。**
2. **🔴 キャラクター音声（あみたろ・つくよみちゃん）で公式 ja Moonshine に有意に劣位**。
   全量データでも埋まりませんでした（§4 の話者別表）。
3. **🔴 汎用用途では公式 ja Moonshine が上**（FLEURS +0.0390・short +0.0281・propn +0.0341）。
   **総合力の置き換えではなく、対象ドメイン向けのモデル**です。
4. **🚨 hallucination_rate はデータ量では下がりません**。fleurs 0.1215／short 0.1000／propn 0.1008 は
   **35倍少ないデータで学習した前世代と完全に同値**でした＝CER とは独立の課題です。
   無音区間で出力が出ることがあるため、**実運用では VAD / エンドポインティングを併用してください。**
5. **ストリーミングは CER +0.0538 のトレードオフを伴います**（§7）。
6. **encoder は int8 量子化できません**（careful static QDQ でも精度ゲート未達）。float 208MB がサイズの下限です。
7. **対話ドメインの直接評価は未実施**です。`speechbsd` は代理指標であり、実対話音源での測定はできていません。
8. **`dom_g` の汚染可能性は未排除**（§4）。

---

## 10. 学習の再現情報

| 項目 | 値 |
|---|---|
| ベース重み | `moonshine-ai/moonshine-streaming-small`（MIT。学習時は `UsefulSensors/…`＝**組織リネーム前の同一重み**） |
| 学習データ | ReazonSpeech v2 "all"（35,000h）**単独**・2 epochs |
| tokenizer | ベース付属のまま（日本語 tokenizer への差し替えは A/B の結果**不採用**） |
| ピーク LR | **3.2e-4**（4GPU DDP × `--lr-scale sqrt` の結果） |
| スケジューラ | `cosine_with_min_lr`（min_lr_rate=0.1）・warmup 2,604 step |
| バッチ | per-device 128 × 4 GPU = **実効 512** |
| 総 step | 84,816 |
| 最終 loss | 0.4951 |
| 精度形式 | BF16 |
| ハードウェア | RTX 5090 × 4（DDP） |
| run_id | `phase3-f3c069e-1785651965115807400-f174fe` / `checkpoint-84816` |

学習方式は**フルファインチューニング**（LoRA ではありません）。混合データ（Common Voice / moe-speech）も
実験しましたが**汎用性能を悪化させたため最終モデルには含めていません**。

---

## 11. 成果物のハッシュ（SHA-256）

配布物が改変されていないことを検証できます。

**PyTorch 重み**

| ファイル | bytes | sha256 |
|---|---:|---|
| `model.safetensors` | 560,571,260 | `bfe2c0e67940fe49e0365d9e71a76e52096576c601d5b7ecbfb662814f33a466` |
| `config.json` | 1,697 | `a89a79c1282ea95d1d7447cef0b9d4b65f8ea47f6d62ec7e849f5310e4a10b99` |
| `generation_config.json` | 163 | `fd54ad15ad0a14f68db3c58a8d8e5e8f3791ef95e1ea92ee46cd71b4a5d7528c` |

**ONNX deploy（3グラフ・計 323.6MB）**

| ファイル | bytes | sha256 |
|---|---:|---|
| `encoder.onnx` | 1,105,435 | `bc3738dc18aa366d7b306c907896b3fea51dcfc8284e7dbb79f32c9c2563a497` |
| `encoder.onnx.data` | 206,806,656 | `6283dfebf6f07e541c395c2d6b0f04c761f0c0fe494c697cae41fdb802afe20d` |
| `cross_kv_prefill.onnx` | 76,893 | `b1eb5a176651cf69c68c6bf1e43827ebd900f0093c5d2152166c08302d3404fd` |
| `cross_kv_prefill.onnx.data` | 32,440,320 | `ab3d4f810d495722adb091ac83cc0e4afc9f118c82ba0dd192eedef733115f1b` |
| `decoder_step_crosskv.int8a.onnx` | 83,129,065 | `1860d39caa1b7329848a7a45eecb45ad647d033e0c18398f8bf69112ed431083` |

**ORT（3グラフ・計 319.6MB）**

| ファイル | bytes | sha256 |
|---|---:|---|
| `encoder.ort` | 205,158,336 | `450c4dd023fa9307f36745dee8b8640e37ef8baebd165342ef7b5d197b816e58` |
| `cross_kv_prefill.ort` | 32,432,304 | `c751673eeddbecfe35c8c25b775769626ce9bc18bb70f6d9d0526c16425fd6e5` |
| `decoder_step_crosskv.int8a.ort` | 82,039,008 | `0155b520eebbf968df5a34e3ca03663195849ceb37169ef2b529c4aa00d0ed71` |

**クロスランタイム一致**: PyTorch greedy と ONNX greedy を token-id レベルで照合し、
float 経路で **24/24 完全一致（bit-exact・CER 差 0.0）**。int8a 経路は token-id 20/24 ですが
**CER は float と同値（0.1058）**です。

---

## 12. ライセンスと系譜

| 層 | ライセンス |
|---|---|
| 本モデルの重み・ONNX 資産 | **Apache-2.0** |
| ベースモデル `moonshine-ai/moonshine-streaming-small` | **MIT**（[NOTICE](./NOTICE) に全文を同梱） |
| 学習データ ReazonSpeech v2 | **CDLA-Sharing-1.0**（§3.5 により学習済み重み＝Results に義務なし） |
| 学習コード / Transformers | Apache-2.0 |

> ℹ️ **ベースモデルの HF 組織名は `UsefulSensors` から `moonshine-ai` に変更されています**
> （2026-08-22 に確認。旧 ID は新 ID へリダイレクトされます）。**重みは同一**で
> （sha `2c036506f23a09c18df5a50057599ba6d9280999`・lastModified 2026-02-10）、
> **宣言ライセンスも MIT のまま**です。本モデルの学習は組織リネーム前の同じ重みで行いました。

**同梱の tokenizer はベースモデル由来の MIT 素材**なので、再配布時は [NOTICE](./NOTICE) を必ず保持してください。

> ⚠️ **特許許諾の範囲**: Apache-2.0 §3 の特許許諾は**本モデルの貢献部分（日本語追加学習と ONNX 資産）について
> 本モデルの著作権者が与えるもの**です。ベースは MIT で特許について沈黙しており、**Useful Sensors, Inc. は
> Moonshine アーキテクチャに関する特許許諾を与えていません**。§3 をベースアーキテクチャまで及ぶものと
> 読まないでください。

> ⚠️ **ライセンスは競合に対する差別化にはなりません**（Vosk もモデル込みで Apache-2.0）。
> 本モデル固有の性質は「**学習データの由来が開示されていて、同じ手順で再現できる**」ことです
> （ReazonSpeech v2 単独。比較対象の `moonshine-base-ja` は学習データ非開示）。

**商標について**: "Moonshine" はベースモデルを同定するための帰属表示としてのみ用いています。
Moonshine AI の商標ポリシーは公開されていませんが（`moonshine.ai/{trademark,brand,legal,terms}` はいずれも 404）、
同社は Community License 側で名称・マークの使用を明示的に禁じており、ブランド保護の意思は示されています。
本モデルは**その系譜には属しません**（MIT 経路）。

---

## 13. 謝辞

- **Moonshine AI（Useful Sensors, Inc.）** — ベースモデル `moonshine-streaming-small`（MIT）
- **Reazon Human Interaction Lab** — ReazonSpeech v2（CDLA-Sharing-1.0）
- 評価に用いた公開コーパス: FLEURS、SpeechBSD、JVNV、ITA / JVS コーパス
- 競合比較: **Alpha Cephei** — Vosk（Apache-2.0）

評価素材のうちキャラクター音声（あみたろ・つくよみちゃん）は各配布元の規約に従い、
**音声そのものを再配布していません**。本カードに載せているのは集計値のみです。