在東京街頭的一間餐廳裡，一名外國旅客指著菜單，試著用英文詢問：「Hi, just wondering—does this contain any nuts? I’m allergic.」（你好，這道菜有含堅果嗎？我會過敏）店員一愣，聽不懂對方的話，只能連聲鞠躬說「すみません」，一邊緊張地比手畫腳。旅客一時語塞，不確定對方是不是沒聽懂，只好尷尬地笑了笑，氣氛陷入凝結——彼此站在同一張餐桌前，卻像隔著一層厚玻璃。
這樣的場景，在日本的便利店、餐廳、車站等地方每天上演。每年，多達 3,600 萬名國際觀光客造訪這個國家，語言不通不只是旅途中的小困擾，更逐漸成為壓力巨大的產業痛點——不只影響觀光體驗，更牽動整體國家的競爭力。
這個痛點，正是日本新創 Shisa.ai 極力解決的。創辦人沈佳（Jia Shen）與核心團隊一共 3 人，試圖用 AI 改變人與人之間的交流方式，他和團隊打造了即時語音翻譯產品 Chotto.chat：只要打開手機，無論在藥妝店、餐廳還是計程車上，用戶都能用母語自然說話，Chotto 會即時翻譯成流暢的日語，同時保留語氣與情緒，讓交流順暢而真實。「語音比文字更能展現人類的情感和語氣，只有讓交流聽起來自然，人們才會願意放心開口。」沈佳說。
支撐 Chotto 的背後，是 Shisa.ai 自行訓練的大型日語語言模型——Shisa V2-405B。這款模型擁有高達 4,050 億參數，並以社群授權形式釋出，開放研究與非商業用途使用，成為目前表現最好的日文語言模型之一。
根據團隊的評測結果，Shisa V2-405B 在多項日語任務上——包含指令理解、角色扮演對話、日英翻譯、語意推理與文本生成等——展現出與 OpenAI 的 GPT-4o 和中國的 DeepSeek-V3 旗鼓相當的實力。
令人驚訝的是，這樣能與科技巨頭匹敵的成果，竟是由一支僅有 3 人的奈米團隊所打造。模型上線後短短一個月內，便在 Hugging Face 社群累積超過百萬次下載，受到全球關注。
為什麼日本需要自己的大語言模型？
對沈佳來說，這是文化、經濟與國安等三層面的結構性挑戰。
首先，從語言本身說起。日語是一種高度倚賴「語境」（context）的語言。許多「潛台詞」，日本人不會直接說出來，而是藏在語氣、關係與社交默契之中。沈佳舉例：「在日本，拒絕往往不會明說。像是對方會說『那天不太方便』，聽起來客氣，其實就是明確的拒絕。」
類似地，一句「愛してる（Aishiteru）」沒有明確主詞與受詞，根據上下文，可能是「我愛你」、「我愛她」，甚至「她愛他」。如果大語言模型無法理解前後語境，就無法正確推論意思——這樣的語言特性，對 AI 來說是極大的挑戰。
這一點，也讓跨文化交流變得格外困難——特別是在服務業的第一線場景中。2025 年僅 4 月，日本便迎來 390 萬名觀光客，創下單月歷史新高。然而，零售與餐飲業正面臨前所未有的人力短缺，語言障礙更導致日本錯失大量商機。
而更長遠來看，生成式 AI 正從商業工具，快速成為地緣政治的戰略資產。如果美中任一方限制 GPT 模型出口，嚴重依賴海外基礎模型的國家，恐面臨無法自主應對的風險。在這樣的脈絡下，擁有能理解在地語言與文化的自有模型，不只是提升效率，更關乎數位主權與國家韌性。
Shisa.ai 選擇將自家模型以社群授權形式釋出，開放研究與非商業使用。他們認為，語言模型不應被少數科技巨頭壟斷，而應成為全民共享的基礎設施。這不只是技術突破，更是一種態度宣言：讓更多有志投入在地 AI 的開發者與企業，有機會參與並壯大這套真正理解日本語言文化的 AI。
從「聲音」解決文化隔閡
Shisa.ai 的第一款產品，是一套從「聲音」出發的即時語音翻譯系統——Chotto.chat。
「我們聊到現在，你應該發現我講話很快了吧！」沈佳笑說。他選擇從即時語音翻譯切入，打造一套能跟上語速、適應自然對話節奏的系統。「Chotto.chat 就是為了像我這樣講話快、需要即時交流的人設計的。」
與一般翻譯工具不同，Chotto.chat 專門為日本人的說話習慣做了優化。不管是講話語速很快，還是在公共場合習慣壓低音量、貼著手機小聲說，它都能即時辨識、自然回應，不讓對話因為技術卡住。
「我們做的不是單純的翻譯，而是讓 AI 聽得懂語氣和情境，講出來的話要像真人一樣自然、有感情。」沈佳解釋，「就像幫戲劇選配音員，不只是念對台詞，還要講得有情緒、有層次。」
目前 Chotto.chat 尚未正式推出 app，卻已每天吸引超過 6,000 名用戶使用，平均每人停留時間達 27 分鐘。除了在購物、點餐能用以外，也能用在不同文化的情侶、朋友之間，讓彼此都能用母語自然交流。
從餐廳到車站：Shisa.ai 成為企業現場的「隱形翻譯員」
除了日常生活對話，Shisa.ai 的語音技術也悄悄走進日本的實體場域，成為接待外籍顧客的重要幫手。
在餐廳，Shisa.ai 成為店員的語言輔助工具，協助回應外國顧客的過敏原詢問，也能支援新進員工的「邊做邊學」。在零售門市，Shisa.ai 則處理免稅規則、尺寸換算與退換貨等常見問題，讓第一線人員能流暢應對、不需中斷工作。
這樣的即時支援，也擴展到公共空間。橫濱車站內，Shisa.ai 已設置支援 17 種語言的 AI kiosk，讓旅客能即時詢問洗手間、車票、商店方位，就像是一塊「會說話的導覽牌」，補上語言與資訊的空缺。
接下來，Shisa.ai 也計畫延伸語音應用，打造結合聊天、提醒與陪伴功能的虛擬寵物，作為日本高齡社會的未來對策之一。
讓每一種文化，都有留下聲音的權利
Shisa.ai 的三位創辦人皆為移民，選擇在日本落腳創業。他們相信，AI 主權必須從在地語言與文化出發，打造本土模型，不只是為了保留多樣性，更關乎資料隱私、地緣政治韌性與國家的數位自主權。
執行長 Jia Shen 與技術長 Leonard Lin 是共同創辦人，其中 Shisa 模型由 Leonard 領銜開發，是他的代表作。而團隊中的 AI 研究員 Adam Lensenmayer，則有著截然不同的背景——他是日本動畫迷耳熟能詳的字幕翻譯家，曾參與《進擊的巨人》、《鋼彈》、《名偵探柯南》（劇場版）、《銀河鐵道999》、《櫻桃小丸子》、《宇宙戰艦大和號》，以及在便利商店都能買到的《宇宙兄弟》等作品。對語感與語氣的極致講究，讓他在模型的訓練中扮演關鍵角色，也讓 Shisa.ai 更貼近日語世界的深層語境與文化細節。
對沈佳來說，Shisa.ai 的核心不僅僅只是打造「最強的 AI」， 而是想回答一個更深的問題：科技能否拉近我們與家人、與文化的距離？
這個想法來自他對家人的一份掛念。
「我爸爸在十年前過世，而我女兒現在五歲，從來沒有見過爺爺，」沈佳說。「但透過語言模型，我可以保留他的聲音、語氣和人生哲學。未來，我女兒或許能和爺爺說說話，聽他講家裡流傳的笑話。」
這不只是記憶的保存，更是文化的延續。他稱之為「文化捕捉」（cultural capture）：記錄那些不會自動留在網路上的聲音與情感。像是長輩的生活對話、地方方言、Z 世代約會時的語氣變化，或是那些不上網、不發文的族群裡，悄悄流動的文化記憶。這些細碎卻深刻的語言，如果沒有人聽見、留下，往往轉瞬即逝。
接下來，Shisa.ai 計畫觸及更多使用者，並將語音翻譯延伸至實體場域，讓車站、商場、餐廳等日常空間，都能悄悄多一個「懂你說話的人」。
畢竟，最動人的科技，有時候並不一定是最顯眼的那一種。它存在於一次句子被聽懂、情緒被理解的瞬間，悄悄發揮力量——讓人與人之間，靠得更近一點。
