Ugrás a tartalomra
Neural Daily

ModellekHír

Rumble-2-Flash: nyílt 0,5B-s beszédfelismerő 40+ nyelven

🇬🇧 Read this article in English →

A Reson8 Apache 2.0 licenccel kiadta a Rumble-2-Flasht. A 0,5B-s ASR modell 40-nél több nyelvet ismer fel, telefonhívásokon hozza a 30B-s Nemotron 3.5 Transcribe szintjét. Egy óra hangot kb. fél másodperc alatt ír át.

· 2 perc olvasás

Rumble-2-Flash announcement graphic: two smiling emoji faces with a sound wave between them on a purple background
Kép: Hugging Face · Sajtókép · Official blog thumbnail from huggingface.co · Forrás

Mi történt?

A Reson8 november 18-án Apache 2.0 licenccel nyílt forráskódúvá tette a Rumble-2-Flasht (Hugging Face blog). Ez egy 0,5 milliárd paraméteres beszédfelismerő (ASR) modell, amely 40-nél több nyelvet kezel automatikus nyelvfelismeréssel. A súlyok a Hubon vannak (Reson8/Rumble-2-Flash), illetve a cég API-ján is elérhető.

Mit tud?

  • Open ASR Leaderboard, többnyelvű sáv: átlag 6,96% szóhibaarány (WER) kilenc nyelven (kínai, német, francia, olasz, spanyol, portugál, hindi, holland, angol). Ezzel jobb a 15-ször nagyobb Meta omniASR-LLM 7B-nél, illetve a Whisper large-v3-nál is.
  • Angol sáv: átlag 6,6% WER.
  • Sebesség: teli batchekkel 7000 RTFx felett, vagyis egy óra hanganyag nagyjából fél másodperc alatt megvan.
  • Valós telefonhívások (AppTek call-center benchmark, 302 óra, 14 angol akcentus): 7,86% WER. Az NVIDIA 30B-s Nemotron 3.5 Transcribe 7,78%-ot ért el, a Qwen3-ASR 0.6B 8,7%-ot, a Qwen3-ASR 1.7B 7,4%-ot.
  • Kimenet vezérlése: számok számjegyként vagy betűvel, töltelékszavak, szó szerinti ismétlések megtartása, kényszerített nyelv.

Hogyan készült?

A modell a Qwen3-ASR architektúrát használja, így natívan fut Transformersben és vLLM-ben, custom kód és trust_remote_code nélkül. A tudást a nagyobb, production Rumble-2 modellből desztillálták on-policy módon: a kis modell maga írja le a hangot, a nagy modell pedig tokenenként értékeli az átiratot. Így pont azokon a hibákon tanul, amelyeket ténylegesen elkövet. Mivel a két modell tokenizere eltér, a GOLD módszert használták, amely összefésüli a különbözően darabolt tokeneket.

Miért fontos?

Egy fél milliárd paraméteres modell olcsón futtatható saját infrastruktúrán, ez on-prem átírásnál, call-center elemzésnél vagy adatvédelmi okból házon belül tartott hanganyagnál számít. A telefonos teszten hozza a 60-szor nagyobb Nemotron 3.5 Transcribe szintjét. A számok a cég saját mérései, ezért érdemes saját hanganyagon is lefuttatni, mielőtt bárki lecseréli a jelenlegi ASR-t. A független összevetéshez az Open ASR Leaderboard jó kiindulópont.

    Írta Mikola Máté Patrik

    MI segítségével készült, szerkesztő ellenőrizte. Hogyan készülnek a cikkeink

    Szerkesztőségünk ellenőrizte és szerkesztette. Rólunk

    Kapcsolódó cikkek