Reson8开源Rumble-2-Flash:0.5B语音识别模型覆盖40余种语言,电话场景接近30B量级模型

总部位于阿姆斯特丹的Reson8以Apache 2.0开源0.5B参数语音识别模型Rumble-2-Flash。它覆盖40余种语言,在Open ASR多语言赛道平均错误率约6.96%,并在302小时呼叫中心基准上接近约30B参数的Nemotron 3.5 Transcribe。

发生了什么

11月18日,总部位于阿姆斯特丹的初创公司Reson8宣布,以Apache 2.0协议开源语音识别模型Rumble-2-Flash,权重上线Hugging Face,并同步在Hugging Face官方博客介绍。公司称,这是一款约0.5B参数、面向40余种语言的语音转写模型,强调在体积远小于主流大模型的前提下,仍能在多语言和真实电话场景中保持竞争力。

关键细节和数据

据官方介绍,Rumble-2-Flash基于Qwen3-ASR架构,可直接在Transformers和vLLM中运行,无需自定义运行时或trust_remote_code。它支持自动语言检测,也可强制指定语言;输出端可控制数字写成阿拉伯数字还是单词、是否保留语气词、是否逐字复述等。速度方面,官方称在Open ASR Leaderboard中批次较满的大数据集上,吞吐超过7000 RTFx,约等于一小时音频约半秒处理完。

准确率数字来自官方公布的公开评测。在Open ASR Leaderboard多语言赛道上,Rumble-2-Flash在中文、德语、法语、意大利语、西班牙语、葡萄牙语、印地语、荷兰语和英语等语言上的平均错误率约为6.96%,官方称优于约15倍参数规模的Meta omniASR-LLM 7B,也优于Whisper large-v3;英语赛道平均词错误率约为6.6%。在更贴近真实业务的电话场景中,AppTek呼叫中心基准覆盖302小时求助热线、14种英语口音:Rumble-2-Flash达到7.86%词错误率,与约30B参数的NVIDIA Nemotron 3.5 Transcribe(7.78%)接近,并好于同系列Qwen3-ASR 0.6B的8.7%;对比中表现更好的是Qwen3-ASR 1.7B(7.4%)。

对低资源语言,Reson8另给出一组与Whisper Large V3的对比:在10种训练数据更少的语言上,Rumble-2-Flash平均词错误率为17.6%,Whisper Large V3为39.8%。举例包括马耳他语13%对72%、巴斯克语13%对42%、孟加拉语26%对74%。训练方法上,团队称用自研更大的生产模型Rumble-2做在线蒸馏,并通过名为GOLD的方法对齐不同分词器,让师生模型在文本层面可以逐词比较。公司介绍自己是一支约10人的团队。官方还提醒,语音评测会把模型输出与人工转写对照,而人工转写本身也可能写错或把“twenty”和“20”判成不一致;他们在一项知名测试中校正人工错误后,自身错误率从约6%降到3%以下,因此主张产品评估必须用自己的音频。权重除Hugging Face外,也可通过Reson8的API调用。

为什么重要

语音识别长期被体积、延迟和授权成本卡住。许多产品需要在边缘设备、私有化环境或高并发电话线路上跑转写,却很难为每个部署场景都上几十亿参数的模型。Rumble-2-Flash把开源权重、可直接接入主流推理栈、以及接近大模型的电话场景表现放在一起,降低了“小模型能不能上生产”的门槛。

影响和展望

对开发者来说,这更像一块可直接嵌进现有Transformers或vLLM流水线的积木,而不是只能走厂商接口的黑盒。对客服质检、多语言会议纪要等场景,下一步关键仍是用自己的音频复测:官方也提醒,公开基准里人工标注本身会有误差,产品评估应以业务音频为准。公司同时表示,面向更高精度、说话人分离和轮次结束检测的Rumble-2,仍是另一条产品线。

参考来源

发布者:极致前沿,转转请注明出处:https://www.veryin.com/4797.html

赞 (0)
谷歌推出Stitch Loop:盯着已上线产品持续改代码,修完只交PR等你合并
上一篇 3天前
快手可灵推出Kling Image 4.0:首次原生8K出图,单张图里可写下约2000字
下一篇 3天前

相关推荐

发表回复

登录后才能评论