コンテンツにスキップ

モデルとプロバイダ

Koharu は vision モデルと language モデルの両方を使います。vision スタックがページを整え、language スタックが翻訳を担当します。

これらがアーキテクチャ上でどう組み合わさっているかを知りたい場合は、このページのあとに 技術的な詳細解説 を読んでください。

Vision モデル

Koharu は、必要な vision モデルを初回利用時に自動でダウンロードします。

現在の既定スタックには次が含まれます。

一部のモデルは upstream の Hugging Face リポジトリをそのまま使い、Rust で扱いやすい safetensors 変換が必要なものは Hugging Face で配布しています。

各 vision モデルの役割

モデル モデル種別 Koharu で使う理由
comic-text-bubble-detector object detector テキストブロックと吹き出し領域を 1 回で見つける
comic-text-detector segmentation network クリーンアップ用の text mask を作る
PaddleOCR-VL-1.5 vision-language model 切り出したテキストを文字列へ読む
aot-inpainting inpainting network 文字除去後の masked 領域を補完する
YuzuMarker.FontDetection classifier / regressor レンダリング用のフォントやスタイルのヒントを推定する

重要なのは、Koharu がページ上の全作業を 1 つのモデルに任せていないことです。検出、segmentation、OCR、inpainting はそれぞれ欲しい出力が異なります。

  • joint detection が欲しいのはテキストブロックと吹き出し領域
  • segmentation が欲しいのはピクセル単位の mask
  • OCR が欲しいのは文字列
  • inpainting が欲しいのは補完されたピクセル

組み込みの代替エンジン

Settings > Engines では段階ごとにエンジンを差し替えられます。主な代替候補は次の通りです。

ローカル LLM

Koharu は llama.cpp を通じてローカル GGUF モデルをサポートします。これらのモデルは手元のマシンで動き、LLM ピッカーで選んだときに必要に応じてダウンロードされます。

実際には、ローカルモデルの多くは量子化済みの decoder-only transformer です。GGUF はファイル形式であり、llama.cpp は推論ランタイムです。

英語出力向けの翻訳特化組み込みローカルモデル

中国語出力向けの翻訳特化組み込みローカルモデル

より広い言語対応向けの翻訳特化組み込みローカルモデル

  • hunyuan-mt-7b: 中程度のハードウェア要件で使える多言語モデル

その他の組み込みローカルモデルファミリ

LLM ピッカーには、翻訳専用ではない汎用ファミリも含まれています。

  • Gemma 4 instruct: gemma4-e2b-it, gemma4-e4b-it, gemma4-26b-a4b-it, gemma4-31b-it
  • Gemma 4 uncensored: gemma4-e2b-uncensored, gemma4-e4b-uncensored
  • Qwen 3.5: qwen3.5-0.8b, qwen3.5-2b, qwen3.5-4b, qwen3.5-9b, qwen3.5-27b, qwen3.5-35b-a3b
  • Qwen 3.5 uncensored: qwen3.5-2b-uncensored, qwen3.5-4b-uncensored, qwen3.5-9b-uncensored, qwen3.5-27b-uncensored, qwen3.5-35b-a3b-uncensored
  • Qwen 3.6: qwen3.6-27b, qwen3.6-35b-a3b
  • Qwen 3.6 uncensored: qwen3.6-27b-uncensored, qwen3.6-35b-a3b-uncensored

リモートプロバイダ

Koharu は、ローカルモデルをダウンロードせずに、リモートまたはセルフホストの API を使って翻訳することもできます。

対応しているプロバイダファミリ:

  • LLM ベース: OpenAI、Gemini、Claude、DeepSeek、および /v1/models と /v1/chat/completions を公開する任意の OpenAI 互換 エンドポイント (LM Studio、OpenRouter、vLLM など)
  • 機械翻訳: DeepL、Google Cloud Translation、Caiyun

機械翻訳プロバイダは chat モデルではなく、純粋な翻訳サービスです。原文と対象言語を渡すと翻訳結果が返り、システムプロンプトもモデル選択もありません。

現在の組み込みリモート LLM モデル

LLM ベースのプロバイダの組み込みカタログには次が含まれます。

  • OpenAI: GPT-5.5、GPT-5.4、GPT-5.x、GPT-4.1、o シリーズ、GPT-4o、旧 GPT chat モデル
  • Gemini: Gemini 3.1、Gemini 3、Gemini 2.5、Gemini 2.0 のテキスト出力モデル、および Gemini API でホストされる Gemma 4
  • Claude: 現行の Claude Opus、Sonnet、Haiku 4.x モデル、および上流の終了日までは利用できる非推奨の Claude 4 スナップショット
  • DeepSeek: DeepSeek V4 Flash、DeepSeek V4 Pro、deepseek-chat / deepseek-reasoner 互換エイリアス
  • OpenAI 互換 API: モデル一覧は設定したエンドポイントから動的に取得されます

機械翻訳プロバイダ

プロバイダ 必要なもの 備考
DeepL DeepL API キー DeepL Pro / Free のエンドポイント切り替え用にカスタム base URL を任意で指定可能
Google Cloud Translation Google Cloud API キー v2 REST エンドポイントを使用
Caiyun Caiyun トークン 対応ターゲット言語が限られる

リモートプロバイダは Settings > API Keys で設定します。

LM Studio、OpenRouter、類似エンドポイントの具体的な設定手順は OpenAI 互換 API を使う を参照してください。

Codex 画像生成

Koharu は Codex を使ったエンドツーエンドの image-to-image 生成にも対応しています。テキストブロックの翻訳とローカルレンダリングを別々の手順として行う代わりに、このワークフローでは元ページ画像とプロンプトを Codex に送り、生成されたページ画像を受け取ります。

これはローカルモデルではなく、リモート画像生成ワークフローです。Codex にアクセスできる ChatGPT アカウントと、デバイスコードログインを完了するための 2 要素認証が必要です。利用上の注意と制限は Codex 画像生成を使う を参照してください。

ローカルとリモートをどう選ぶか

ローカルモデルが向くケース:

  • できるだけプライベートにしたい
  • ダウンロード後はオフラインで使いたい
  • ハードウェア使用量を細かく把握したい

リモートプロバイダが向くケース:

  • 大きなローカルモデルのダウンロードを避けたい
  • ローカルの VRAM / RAM 消費を減らしたい
  • ホスト型または自前管理のモデルサービスに接続したい

Note

リモートプロバイダを使う場合、Koharu が送るのは翻訳対象として選ばれた OCR テキストです。

背景知識

このページに出てくるモデル分類の理論や図を確認したい場合は、次を参照してください。