Reson8 เปิดซอร์ส Rumble-2-Flash โมเดลรู้จำเสียงขนาด 0.5B รองรับกว่า 40 ภาษา
Rumble-2-Flash: an open 0.5B speech model for 40+ languages
Reson8 เปิดซอร์ส Rumble-2-Flash ภายใต้สัญญาอนุญาต Apache 2.0 เป็นโมเดลรู้จำเสียงขนาด 0.5B พารามิเตอร์ รองรับกว่า 40 ภาษาพร้อมการตรวจจับภาษาอัตโนมัติและรองรับแบบเนทีฟใน Transformers และ vLLM โดยมีค่าความผิดพลาดเฉลี่ย 6.96% บนแทร็กหลายภาษาของ Open ASR Leaderboard ซึ่งดีกว่า Whisper large-v3 และ omniASR-LLM 7B ของ Meta และทำ WER ได้ 7.86% บนเบนช์มาร์กคอลเซ็นเตอร์ 302 ชั่วโมงของ AppTek ซึ่งทัดเทียมกับ Nemotron 3.5 Transcribe (30B) ของ NVIDIA โมเดลนี้ถูกกลั่นจาก Rumble-2 ขนาดใหญ่กว่าด้วย on-policy distillation ร่วมกับ GOLD ซึ่งจัดแนวโทเคไนเซอร์ที่แตกต่างกันระหว่างครูและนักเรียน
โมเดลรู้จำเสียงขนาด 0.5B ที่ทำได้ทัดเทียมโมเดล 30B บนเสียงคอลเซ็นเตอร์ที่มีสัญญาณรบกวน แสดงให้เห็นว่า on-policy distillation ย่อขนาด ASR สำหรับการผลิตได้ไกลเพียงใด
แหล่งข่าว:Hugging Face Blog · huggingface.co