Reson8 hat sein neues Speech-to-Text-Modell Rumble-2-Flash vorgestellt, das ab sofort mit offenen Gewichten kostenlos heruntergeladen werden kann. Das Modell hat 0,5 Milliarden Parameter und erkennt automatisch mehr als 40 Sprachen. Es lässt sich über die 🤗-Transformers-Bibliothek von Hugging Face, vLLM oder die eigene API von Reson8 nutzen, die €0.01 pro Audiostunde kostet. Laut Unternehmen verarbeitet das Modell eine Stunde Audio in etwa einer halben Sekunde. Bei voller Batch-Auslastung erreicht es einen Durchsatz von mehr als 7.000 Echtzeitfaktoren (RTFx).
Wie genau ist das kleine Modell?
Auf dem mehrsprachigen Track der Open-ASR-Bestenliste von Hugging Face erreichte Rumble-2-Flash über sieben Sprachen hinweg eine durchschnittliche Wortfehlerrate (WER) von 6.96 % und schnitt damit besser ab als Meta’s omniASR-LLM mit 7 B Parametern und OpenAI’s Whisper large-v3. Für Englisch allein meldete das Modell eine WER von etwa 5 %. In einem verrauschten Callcenter-Benchmark von AppTek (302 Stunden, 14 englische Akzente) erzielte es eine WER von 7.86 % – praktisch gleichauf mit NVIDIA’s Nemotron 3.5 Transcribe mit 30 B Parametern und besser als Qwen3-ASR mit 0.6 B Parametern (8.7 %).
Warum das jetzt wichtig ist
Die meisten großen Sprachmodelle sind vor allem auf Englisch ausgelegt. Sprecher anderer Sprachen müssen deshalb oft mit höheren Fehlerraten rechnen. Reson8-CEO Raoul Ritter weist darauf hin, dass Sprachen, die von Millionen Menschen gesprochen werden, etwa Niederländisch oder Schwedisch, häufig „Nebensache“ sind. Mit einem kostenlosen, kleinen, schnellen und mehrsprachigen Modell können Entwickler Transkriptionen in Apps integrieren, ohne für umfangreiche Cloud-Dienste zu zahlen oder sich mit kostspieligen Lizenzen auseinanderzusetzen. Der niedrige Preis – tausend Audiostunden kosten €10 – macht das Modell auch für kleine Unternehmen, Lehrkräfte und Hobbyanwender interessant, die große Mengen an Audio transkribieren müssen.
Warum es wichtig ist
Für ein kleines Unternehmen, das Kundengespräche transkribieren muss, bietet das Modell nahezu unternehmensweite Genauigkeit zu einem Bruchteil der Kosten. Studierende oder Podcaster können damit stundenlange Aufnahmen in Sekunden in Text umwandeln, ohne für einen großen Cloud-Anbieter zu bezahlen. Die Open-Source-Veröffentlichung ermöglicht es Forschenden außerdem, mit mehrsprachiger Spracherkennung zu experimentieren, ohne ein Modell von Grund auf neu entwickeln zu müssen.