Reson8 اعلام کرده مدل جدید تبدیل گفتار به متن این شرکت، Rumble-2-Flash، با وزنهای باز و بهصورت رایگان برای دانلود در دسترس است. این مدل ۰٫۵ میلیارد پارامتر دارد و میتواند بیش از ۴۰ زبان را بهطور خودکار تشخیص دهد. میتوان از آن با کتابخانه 🤗 Transformers در Hugging Face، با vLLM یا از طریق API خود Reson8 استفاده کرد؛ هزینه API بهازای هر ساعت صدا €0.01 است. بهگفته شرکت، پردازش یک ساعت صدا با این مدل حدود نیم ثانیه طول میکشد و در پردازش دستهای کامل، توان عملیاتی آن از ۷,۰۰۰ برابر زمان واقعی (RTFx) فراتر میرود.
دقت این مدل کوچک چقدر است؟
Rumble-2-Flash در بخش چندزبانه جدول رتبهبندی Open ASR در Hugging Face، میانگین نرخ خطای واژه (WER) برابر با ۶٫۹۶٪ را در هفت زبان ثبت کرد و از omniASR-LLM شرکت Meta با ۷ میلیارد پارامتر و Whisper large-v3 شرکت OpenAI بهتر عمل کرد. نرخ WER این مدل برای زبان انگلیسی بهتنهایی حدود ۵٪ اعلام شده است. در آزمون معیار مرکز تماس پرنویز AppTek (۳۰۲ ساعت، ۱۴ لهجه انگلیسی)، این مدل نرخ WER برابر با ۷٫۸۶٪ گرفت؛ نتیجهای تقریباً برابر با Nemotron 3.5 Transcribe شرکت NVIDIA با ۳۰ میلیارد پارامتر و بهتر از Qwen3-ASR با ۰٫۶ میلیارد پارامتر (۸٫۷٪).
چرا این موضوع مهم است؟
بیشتر مدلهای بزرگ گفتاری عمدتاً برای زبان انگلیسی ساخته میشوند و در نتیجه، نرخ خطا برای گویشوران زبانهای دیگر بالاتر است. Raoul Ritter، مدیرعامل Reson8، میگوید زبانهایی که میلیونها نفر به آنها صحبت میکنند، مثل هلندی یا سوئدی، اغلب «در اولویتهای بعدی قرار میگیرند». عرضه رایگان مدلی کوچک، سریع و چندزبانه به توسعهدهندگان امکان میدهد بدون پرداخت هزینه خدمات ابری گرانقیمت یا درگیر شدن با مجوزهای پرهزینه، قابلیت رونویسی را به اپلیکیشنهایشان اضافه کنند. قیمت پایین این سرویس (هزار ساعت صدا €10 هزینه دارد) آن را برای کسبوکارهای کوچک، آموزگاران و علاقهمندانی که به رونویسی حجم زیادی از صدا نیاز دارند نیز به گزینهای عملی تبدیل میکند.
چرا مهم است
برای کسبوکار کوچکی که نیاز دارد تماسهای مشتریان را رونویسی کند، این مدل دقتی نزدیک به راهکارهای سازمانی را با هزینهای بسیار کمتر فراهم میکند. برای دانشجو یا پادکستساز، یعنی میتوان ساعتها فایل صوتی را در چند ثانیه به متن تبدیل کرد، بیآنکه هزینه ارائهدهنده بزرگ خدمات ابری را پرداخت کرد. انتشار متنباز مدل همچنین به پژوهشگران امکان میدهد بدون ساختن مدلی از صفر، تشخیص گفتار چندزبانه را بررسی و آزمایش کنند.