Reson8 объявила, что её новая модель преобразования речи в текст Rumble-2-Flash доступна для бесплатного скачивания с открытыми весами. В модели 0,5 млрд параметров, она автоматически распознаёт более 40 языков. Её можно использовать через библиотеку 🤗 Transformers от Hugging Face, vLLM или API самой Reson8, где час аудио стоит €0.01. По словам компании, модель обрабатывает час аудио примерно за полсекунды, достигая скорости более 7,000 по показателю RTFx при полной загрузке пакетами.
Насколько точна компактная модель?
В мультиязычном рейтинге Hugging Face Open ASR Leaderboard средний уровень ошибок распознавания слов (WER) у Rumble-2-Flash составил 6.96 % по семи языкам — лучше, чем у omniASR-LLM от Meta с 7 B параметров и Whisper large-v3 от OpenAI. Для английского модель показала WER около 5 %. В тесте AppTek на шумных звонках в кол-центр (302 часа, 14 акцентов английского) результат составил 7.86 % WER — практически столько же, сколько у Nemotron 3.5 Transcribe от NVIDIA с 30 B параметров, и лучше, чем у Qwen3-ASR с 0.6 B параметров (8.7 %).
Почему это важно именно сейчас
Большинство крупных речевых моделей в первую очередь создают для английского, поэтому для носителей других языков точность распознавания ниже. Генеральный директор Reson8 Рауль Риттер отмечает, что о языках, на которых говорят миллионы людей, например нидерландском и шведском, часто «вспоминают в последнюю очередь». Бесплатная компактная и быстрая мультиязычная модель позволит разработчикам добавлять распознавание речи в приложения, не оплачивая дорогие облачные сервисы и лицензии. Низкая цена — €10 за тысячу часов аудио — делает её доступной и для малого бизнеса, преподавателей и любителей, которым нужно расшифровывать большие объёмы записей.
Почему это важно
Для небольшой компании, которой нужно расшифровывать звонки клиентов, эта модель предлагает точность, близкую к корпоративным решениям, но за гораздо меньшую цену. Студент или подкастер сможет превратить часы записей в текст за секунды, не платя крупному облачному провайдеру. Открытая версия также позволит исследователям изучать мультиязычное распознавание речи, не создавая модель с нуля.