Reson8 anunció que su nuevo modelo de voz a texto, Rumble-2-Flash, ya se puede descargar gratis con sus pesos abiertos. El modelo tiene 0,5 mil millones de parámetros y detecta automáticamente más de 40 idiomas. Se puede usar con la biblioteca 🤗 Transformers de Hugging Face, vLLM o mediante la propia API de Reson8, que cobra €0.01 por hora de audio. La empresa afirma que el modelo procesa una hora de audio en aproximadamente medio segundo, con un rendimiento superior a 7,000 en factor de tiempo real (RTFx) cuando se ejecuta con lotes completos.
¿Qué precisión tiene el modelo pequeño?
En la categoría multilingüe de Hugging Face Open ASR Leaderboard, Rumble-2-Flash obtuvo una tasa media de error de palabras (WER) del 6.96 % en siete idiomas, por delante del omniASR-LLM de 7 B parámetros de Meta y de Whisper large-v3 de OpenAI. En inglés, el modelo registró una WER de alrededor del 5 %. En una prueba de referencia de AppTek con llamadas de centro de atención al cliente y ruido de fondo (302 horas, 14 acentos del inglés), obtuvo una WER del 7.86 %, prácticamente igual que Nemotron 3.5 Transcribe, de 30 B parámetros, de NVIDIA y mejor que Qwen3-ASR, de 0.6 B parámetros (8.7 %).
Por qué importa ahora
La mayoría de los grandes modelos de voz se diseñan principalmente para el inglés, lo que deja a los hablantes de otros idiomas con tasas de error más altas. El CEO de Reson8, Raoul Ritter, señala que idiomas hablados por millones de personas, como el neerlandés o el sueco, suelen quedar “en segundo plano”. Al ofrecer gratis un modelo pequeño, rápido y multilingüe, los desarrolladores pueden incorporar transcripción a sus aplicaciones sin pagar por enormes servicios en la nube ni lidiar con costosas licencias. El bajo precio (mil horas de audio cuestan €10) también lo hace viable para pequeñas empresas, docentes y aficionados que necesitan transcribir grandes volúmenes.
Por qué importa
Para una pequeña empresa que necesita transcribir llamadas de clientes, el modelo ofrece una precisión cercana a la de soluciones empresariales por una fracción del costo. Para un estudiante o un podcaster, permite convertir horas de grabaciones en texto en segundos sin pagar a un gran proveedor de servicios en la nube. La publicación de los pesos abiertos también permite a los investigadores experimentar con el reconocimiento de voz multilingüe sin crear un modelo desde cero.