英文原标题:Rumble-2-Flash: an open 0.5B speech model for 40+ languages

本文为英文原文的机器翻译摘要,原文见:Hugging Face Blog ↗

  • Reson8 以 Apache 2.0 许可证开源 Rumble-2-Flash,这是一个 0.5B 参数的语音识别模型,支持 40 多种语言,官方称其性能可与体积大 3 到 60 倍的模型竞争。
  • 模型原生支持 🤗 Transformers 和 vLLM,无需自定义代码或 trust_remote_code;具备自动语言检测、数字格式控制、填充词与逐字重复保留、强制指定语言等输出控制功能。
  • 速度方面,在批次满载时可达 7000 以上 RTFx,约半秒处理一小时音频;在 Open ASR Leaderboard 多语言赛道平均错误率 6.96%,优于 15 倍大的 Meta omniASR-LLM 7B 和 Whisper large-v3,英语赛道平均 WER 为 6.6%。
  • 在 AppTek 的 302 小时呼叫中心基准(14 种英语口音)上,Rumble-2-Flash 的 WER 为 7.86%,与 NVIDIA Nemotron 3.5 Transcribe(30B)的 7.78% 相当,领先同系列的 Qwen3-ASR 0.6B(8.7%),接近 Qwen3-ASR 1.7B(7.4%)。
  • 构建上采用 Qwen3-ASR 架构,并通过 on-policy 蒸馏从更大的生产模型 Rumble-2 压缩而来;由于师生 tokenizer 不同,使用 GOLD 方法合并分词差异,使两者在相同文本上比较。

关键数据

  • 0.5B 参数,支持 40+ 语言
  • Apache 2.0 许可证
  • 批次满载时超过 7,000 RTFx,约半秒处理一小时音频
  • Open ASR Leaderboard 多语言赛道平均错误率 6.96%
  • 英语赛道平均 WER 6.6%
  • AppTek 呼叫中心基准:302 小时、14 种英语口音,WER 7.86%
  • NVIDIA Nemotron 3.5 Transcribe(30B)WER 7.78%
  • Qwen3-ASR 0.6B WER 8.7%,Qwen3-ASR 1.7B WER 7.4%

引语

  • an hour of audio in about half a second
  • on par with NVIDIA's Nemotron 3.5 Transcribe (30B)

为什么值得看:它展示了 0.5B 小模型通过蒸馏在 40+ 语言识别和真实电话场景中达到与数十倍大模型相当的水平,并可直接在 Transformers 和 vLLM 中运行。

站内导航