Sarashinaとは？モデル一覧（TTS・OCR・Vision）と使い方・ライセンス・API提供形態

Sarashina（さらしな）は、ソフトバンク傘下のSB Intuitionsが開発する日本語特化の大規模言語モデル群です。名前だけが独り歩きしがちですが、実体は1つのモデルではなく、テキスト生成・音声合成・OCR・画像理解・埋め込みまで枝分かれしたモデルファミリーで、しかもライセンスがモデルごとに違います。2026年6月末には最新世代のSarashina3が商用APIとして動き出し、それまでの「Sarashina API」は新規申し込みを終了しました。本記事では、公開されている各モデルの仕様とベンチマーク数値、ローカルでの動かし方、そして導入前に必ず確認すべきライセンスの落とし穴を、公式の一次情報だけで整理します。

まとめ

• SarashinaはSB Intuitions（ソフトバンク子会社）の日本語LLMファミリー。名称は竹芝の地名が初出する『更級日記』に由来する。
• 2026年7月時点の現行世代はSarashina3（mini／nano／guard／embedding／rerank）。中核のSarashina3 mini／nanoは日英30兆トークンで事前学習され、デジタル庁のGovernment AIトライアルモデルにも採用されている。
• Hugging Faceで自由に触れるのは主にSarashina2.2系。0.5B／1B／3Bのテキストモデル、Sarashina2.2-OCR（3B）、Sarashina2.2-Vision-3B（3.8B）はMITライセンス。
• ライセンスは統一されていない。Sarashina2.2-TTSとsarashina-embedding-v2-1bは「Sarashina Model NonCommercial License Agreement」で、商用利用にはSB Intuitionsへの問い合わせが要る。「SarashinaはMITだから商用OK」は誤り。
• 法人向けAPIはCloud PF Type A（Oracle Alloy基盤）へ統合された。旧Sarashina APIは2026年6月16日に新規申込受付を終了している。
• よく引用される「4,600億パラメータ」はSarashina2-8x70B（2024年11月公開）の総パラメータ数で、商用不可・指示チューニング未実施の事前学習モデル。今から実務で使うモデルではない。

Sarashinaの開発元とモデル系譜

SB Intuitionsが開発する日本語LLMと『更級日記』由来の命名

開発元はソフトバンク株式会社の完全子会社SB Intuitions。同社は2024年6月14日のプレスリリースで、Sarashinaという名前について「竹芝という地名が歴史上初めて出てくる『更級日記』に由来し、本社所在地である東京都港区の竹芝の地から、世界で活用されるモデルを発信していく」と説明しています。検索で「sarashina 由来」が一定数拾われるのはこのためですが、同名の蕎麦（更科・さらしな）と混同されやすく、SERPには老舗蕎麦店も並びます。技術文脈でのSarashinaはSB IntuitionsのLLMを指す、と押さえておけば十分です。

Sarashina1から3までの世代と「4,600億パラメータ」の正確な意味

系譜は Sarashina1（7B／13B／65B、2024年6月）→ Sarashina2（7B／13B／70B、2024年8月）→ Sarashina2-8x70B（2024年11月）→ Sarashina2.2（0.5B／1B／3B、2025年3月）→ Sarashina3（2026年6月30日）と進んでいます。

ここで誤解が多いのがSarashina2-8x70Bです。SB IntuitionsのTECH BLOGは「モデル全体のパラメータ数は460Bですが、各MoE層では8つのエキスパート中、入力に適した上位2つのエキスパートを計算に用いるモデルとなっており、アクティブパラメータ数は130Bとなっています」と記しています。つまり460B（4,600億）は総パラメータ数であり、推論時に動くのは130B。しかもこのモデルは指示チューニングを施していない事前学習モデルで、ライセンス上も商用利用できません。「国産最大の4,600億パラメータLLMがSarashinaの実力」という紹介は、2024年時点の基盤モデルの話であって、2026年に使えるモデルの姿ではありません。

実務で選ぶ対象は、Hugging Face公開のSarashina2.2系か、Cloud PF Type A経由のSarashina3系のどちらかです。

公開モデル一覧と用途別の選び方

Hugging Faceのsbintuitionsアカウントで重みが公開されている主要モデルに、API限定提供のSarashina3系を加えて並べます（2026年7月14日時点。更新日はHugging Faceの最終更新）。

テキスト生成の実力を数字で押さえておくと選定が早くなります。sarashina2.2-3b-instruct-v0.1はELYZA-tasks-100で3.75、Japanese MT-Benchで6.51（英語MT-Benchは7.71）。同規模のQwen2.5-3B-instructはそれぞれ2.99、5.68で、日本語タスクでは3Bクラスの海外モデルを上回ります。ただしモデルカードは「安全性の学習が限定的で、意味をなさない出力や不正確な内容、偏った表現を生成しうる」と明記しており、そのまま顧客接点に出す設計は避けるべきです。

選び方は単純です。手元のGPUで日本語生成を試すならsarashina2.2-3b-instruct-v0.1、書類の電子化ならsarashina2.2-ocr、画像を読ませたいならsarashina2.2-vision-3b。音声合成と埋め込みは商用の可否を先に確認してから触る。業務システムに組み込む前提ならCloud PF Type AのSarashina3系、という順で当たるのが最短です。

Sarashina2.2-TTSの仕様と商用利用のハードル

ゼロショット音声合成の仕組みと日英コードスイッチ対応

Sarashina2.2-TTSは、sarashina2.2-0.5b-instruct-v0.1をベースLLMに据えた音声合成モデルです（音声デコーダを含む総パラメータ数は公表されていません）。参照音声を与えるだけで話者を再現するゼロショット音声生成に対応し、ナレーション・放送・会話・接客といった話し方のスタイルを扱えます。1つの発話の中で日本語と英語を切り替えるコードスイッチに対応する点が、国内向けの読み上げ用途では効いてきます。Hugging Faceの直近30日ダウンロード数は12,738件（2026年7月14日時点）で、Sarashina系ではテキスト生成の3Bモデルに次ぐ規模。最終更新は2026年7月1日と、現在も手が入り続けています。

公式リポジトリからの実行手順（Gradio／vLLM）

実行手順はモデルカードではなく公式GitHubリポジトリ側にまとめられています。ローカル環境なら、クローンして依存を入れ、Gradioのweb UIを起動するのが最短です。

git clone https://github.com/sbintuitions/sarashina2.2-tts.git
cd sarashina2.2-tts
python -m venv venv
source venv/bin/activate
pip install -e .

# 起動後 http://localhost:7860 にアクセス
python server/gradio_app.py

推論を速くしたい場合は pip install -e ".[vllm]" で依存を入れ、python server/gradio_app.py --use-vllm とvLLMバックエンドで起動します。バッチ処理に組み込むならPythonから直接呼べます。ゼロショット合成では、参照音声のパスとその音声の書き起こしテキストの両方を渡す点が要注意です（片方だけでは話者再現が効きません）。

from sarashina_tts.generate.generate import SarashinaTTSGenerator

generator = SarashinaTTSGenerator()

audio_prompt_path = "path/to/your/audio_prompt.wav"
audio_prompt_text = "ここに音声プロンプトに対応するテキストを入力してください。"

audio_prompt_tokens = generator._extract_audio_prompt_tokens(audio_prompt_path=audio_prompt_path)
flow_embedding = generator._extract_zero_shot_embedding(audio_prompt_path=audio_prompt_path)
audio_prompt_feat = generator._extract_audio_prompt_feat(audio_prompt_path=audio_prompt_path)

texts = ["東京から金沢までは新幹線を利用するのが便利で、所要時間は約2時間半です。"]

wavs = generator.generate(
    texts,
    flow_embedding=flow_embedding,
    audio_prompt_text=audio_prompt_text,
    audio_prompt_tokens=audio_prompt_tokens,
    audio_prompt_feat=audio_prompt_feat,
    audio_prompt_path=audio_prompt_path,
    flow_embedding_only=False,
)
generator.save_audios(wavs, output_dir="./output")

非商用ライセンスの適用範囲と商用利用の条件

ここが最大の注意点です。Sarashina2.2-TTSのライセンスは「Sarashina Model NonCommercial License Agreement」で、商用利用にはSB Intuitionsへの問い合わせが必要です。モデルカードのサンプル音声も「研究目的のみ、再配布・商用利用は不可」と明記されています。社内デモのつもりで作った読み上げ機能をそのまま製品に載せる、という流れは踏めません。MITの2.2-3b-instructと同じ感覚で扱うと契約上の事故になるので、PoCの起案時点でライセンス条項を法務に回しておくべきです。

Sarashina2.2-OCRの実力とdots.ocrとの使い分け

Markdown復元・表HTML・数式LaTeX・縦書き対応という出力仕様

Sarashina2.2-OCRはsarashina2.2-3b-instruct-v0.1をベースにした3BのドキュメントOCRモデルで、ライセンスはMITです。単に文字を拾うのではなく、文書を自然な構造のMarkdownとして復元します。表はHTML、数式はLaTeXで出力し、図版はバウンディングボックスで検出、日本語文書で避けて通れない縦書きにも対応します。transformersから呼び出せますが、独自アーキテクチャのためモデル・プロセッサの両方に trust_remote_code=True が必要です（付け忘れるとモデル型を解決できず読み込みに失敗します）。

import requests
from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor, TextStreamer

model_path = "sbintuitions/sarashina2.2-ocr"
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="cuda",
    torch_dtype="auto",
    trust_remote_code=True,
)

image_url = "https://example.com/invoice.jpg"  # 読み取り対象の画像
image = Image.open(requests.get(image_url, stream=True).raw).convert("RGB")
message = [{"role": "user", "content": [{"type": "image", "image": image}]}]
inputs = processor.apply_chat_template(
    message, tokenize=True, add_generation_prompt=True,
    return_dict=True, return_tensors="pt",
).to(model.device)
streamer = TextStreamer(processor, skip_prompt=True, skip_special_tokens=True)

output_ids = model.generate(
    **inputs, max_new_tokens=6000, temperature=0.0, top_p=0.95,
    repetition_penalty=1.2, use_cache=True, streamer=streamer,
)

ベンチマークの逆転現象と和文文書における優位性

モデルカードの数値は評価軸で結論が逆転します。日本語文書のVJRODaでは、Sarashina2.2-OCRがCER 22.6／BLEU 79.9でトップ。比較対象のdots.ocrはCER 40.1／BLEU 71.5、gpt-5-mini（2025-08-07版）はCER 72.4／BLEU 23.6で、日本語では明確に差がつきます。一方、英語中心のolmOCR-benchの総合スコアは、LightOnOCR-2-1Bが0.773、dots.ocrが0.722、Sarashina2.2-OCRが0.683で、Sarashinaが最下位に沈みます。

判断は分けるべきです。和文の帳票・報告書・縦書き資料が主戦場ならSarashina2.2-OCRを第一候補にしてよい。逆に、英語論文や海外の請求書が混ざるワークフローまで1モデルに一本化しようとすると、期待を裏切られます。多言語混在のパイプラインなら、dots.ocrの後継にあたるdots.mocrのマルチモーダル解析と役割を分け、日本語だけSarashinaに寄せる構成が現実的です。GPUを用意する前に精度感だけ掴みたいなら、ブラウザで完結するNDLOCR-Lite Webで比較対象を作ってから導入判断に進む手もあります。

Sarashina2.2-Vision-3Bと埋め込みモデルの位置づけ

Sarashina2.2-Vision-3Bの日本語ベンチ優位と英語ベンチの限界

Sarashina2.2-Vision-3Bは、LLM側にSarashina2.2-3B-Instruct、画像エンコーダにSigLIP（google/siglip-so400m-patch14-384）を組み合わせた3.8BのVLMで、ライセンスはMITです。日本語のHeron-Benchでは3.214を記録し、Qwen2.5-VL-3B-Instructの2.000、Qwen3-VL-4B-Instructの2.330を上回ります。ただし英語のDocVQAでは0.831で、Qwen2.5-VL-3Bの0.924、Qwen3-VL-4Bの0.948に届きません。日本語のスライドや帳票の読解に振った設計だと理解しておくと、評価の期待値を外しません。

sarashina-embedding-v2-1bはJMTEB 76.38。ただし非商用

埋め込みモデルのsarashina-embedding-v2-1bは1Bパラメータ、最大系列長8,192トークン、次元数1,792。日本語埋め込みの評価軸JMTEBの平均スコアは76.38で、ruri-v3-310mの75.85、前世代のsarashina-embedding-v1-1bの74.87、OpenAIのtext-embedding-3-largeの73.86を上回ります。日本語RAGのretrieverとしては有力な選択肢ですが、ライセンスはTTSと同じく非商用です。社内RAGの本番運用に載せるなら商用ライセンスの取得か、Cloud PF Type AのSarashina3 embedding／rerankを使う形になります（後者も単価とライセンス条件は公開されていないため、見積もり取得が前提になります）。検索精度そのものを詰める設計は、RRF（Reciprocal Rank Fusion）とRAG-Fusionの仕組みと合わせて考えると無駄がありません。

ローカル実行とAPI利用の使い分け

transformersでのローカル実行手順（3Bモデル・量子化前提）

Sarashina2.2系はHugging Faceで重みが公開されており、transformersからそのまま読み込めます。3Bクラスなので、量子化すれば一般的なGPU1枚、あるいはCPUでも動く範囲です。

from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline

model_name = "sbintuitions/sarashina2.2-3b-instruct-v0.1"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto")

chat = pipeline("text-generation", model=model, tokenizer=tokenizer)
messages = [{"role": "user", "content": "更級日記の作者は誰ですか"}]
print(chat(messages, max_new_tokens=128)[0]["generated_text"])

モデルカードは「このモデルは安全性の学習が限定的であり、意味をなさない出力や不正確な内容、偏った表現を生成する可能性がある」と明言しています。社外に出す用途では、出力フィルタや人手レビューを前提に設計してください。手元のツールチェーンから使い回したい場合は、OllamaでCodexをローカルLLM実行する手順で扱ったようなローカル推論基盤に載せる構成が扱いやすくなります。

Sarashina APIはCloud PF Type Aへ統合済み（新規受付は終了）

法人向けの提供形態は2026年に大きく変わりました。2025年11月28日に始まった「Sarashina API」（Chat Completion APIとEmbeddings APIの2機能、モデルはSarashina2 mini／embedding／guard）は、公式サービスページに「本サービスは、Cloud PF Type AのSarashinaサービスに、順次統合いたします。それに伴い、本サービスの新規申込受付を6月16日に終了いたしました」と記載されています。これから申し込む先はCloud PF Type Aです。

Cloud PF Type AはOracle Alloyを基盤に、ソフトバンクが国内データセンターで運用するクラウドです。2026年6月30日に東日本データセンターで提供を開始し、西日本データセンターは2026年10月開始予定。提供モデルは共有型がSarashina3 mini／nano／guard／embedding／rerank、専有型がSarashina3 mini／nanoで、RAG構築機能・ベクトルデータベース・AIエージェント実行基盤が併せて提供されます。課金は共有型が100万トークンごとの従量制、専有型が月額固定と公表されていますが、単価の金額は公開されていません。コスト比較を伴う稟議を通すなら、見積もり取得を最初のタスクに置く必要があります。

肝心のSarashina3 mini／nanoは、日本語と英語を中心に30兆トークンで事前学習した思考過程なしのInstructモデルで、指示追従・数学・ツール利用を対象にした多段階の強化学習を経ています。SB Intuitionsは、日本語知識のJamC-QAで主要競合と同等以上、ツール呼び出しのBFCL v3でGPT-4.1と同等と説明し、デジタル庁が推進するGovernment AIのトライアルモデルに採用されたことを公表しています。ただしパラメータ数・コンテキスト長・ライセンスは公表されていません。ここを前提にした設計（例：長文コンテキスト依存の処理）は、営業窓口で仕様を確認してから固めてください。

導入前に必ず割るべき「MITと非商用」の線引き

Sarashinaを検討して最も事故りやすいのは、性能でも価格でもなくライセンスです。同じSarashinaブランドでも、テキスト生成・OCR・VisionはMIT、TTSと埋め込みは非商用、基盤の8x70Bも非商用と、1つのファミリーの中で商用可否が割れています。「Sarashinaは国産でオープン、だから安心して商用に使える」という理解は、半分しか当たっていません。

実務では次の順で確認すると手戻りが出ません。まず、使う予定のモデルIDを1つずつHugging Faceで開き、モデルカードの表記と各リポジトリのLICENSEファイル（非商用条項の原典）を実物で確認する（記事や社内資料の孫引きで判断しない）。次に、非商用が混じるなら、その機能だけCloud PF Type A側に寄せられないかを検討する。最後に、商用ライセンスの個別交渉が必要と分かった時点で、PoCのスケジュールに交渉期間を織り込む。特に音声合成は「デモが刺さって一気に製品化」という流れになりやすく、後からライセンスで止まると差し戻しコストが大きくなります。

よくある質問

Sarashinaという名前の由来は？

『更級日記』です。SB Intuitionsは、竹芝という地名が歴史上初めて登場する作品が『更級日記』であることと、本社が東京都港区竹芝にあることを結び付けて命名したと公表しています。

Sarashina2.2-TTSは商用利用できますか？

そのままでは使えません。ライセンスは「Sarashina Model NonCommercial License Agreement」で、商用利用にはSB Intuitionsへの問い合わせが必要です。モデルカード上のサンプル音声も研究目的限定とされています。

Sarashina2.2-OCRとdots.ocrはどちらが精度が高いですか？

評価軸で逆転します。日本語文書のVJRODaではSarashina2.2-OCR（CER 22.6／BLEU 79.9）がdots.ocr（CER 40.1／BLEU 71.5）を上回りますが、英語中心のolmOCR-bench総合ではdots.ocr（0.722）がSarashina2.2-OCR（0.683）を上回ります。和文中心ならSarashina、多言語混在ならdots.ocr系（後継のdots.mocrを含む）という住み分けが妥当です。

Sarashina APIは今から申し込めますか？

新規の申し込みはできません。旧Sarashina APIは2026年6月16日に新規申込受付を終了し、Cloud PF Type AのSarashinaサービスへ順次統合されています（既存契約は統合されるまで利用が続きます）。新規利用の窓口はCloud PF Type A（東日本データセンターは2026年6月30日提供開始、西日本は2026年10月予定）です。

Sarashina3 miniのパラメータ数は公開されていますか？

公開されていません。SB Intuitionsのブログは日英30兆トークンでの事前学習、多段階強化学習、デジタル庁Government AIトライアル採用などを説明していますが、パラメータ数・コンテキスト長・ライセンスの記載はありません。数値が要る検討では公式窓口に確認してください。関連する内容として、ソフトバンクCloud PF Type Aもご覧ください。

関連記事

• OllamaでCodexをローカルLLM実行する方法｜ollama launch codex-appの手順と対処法
• 従来OCRの限界を超えるdots.mocrのマルチモーダル解析という新発想
• Pi（pi-coding-agent）をローカルLLMで動かす設定手順と実用ラインを解説
• RRF（Reciprocal Rank Fusion）とは？RAG-Fusionでの仕組み・スコア計算・実装を解説