Reson8 meddelade att den nya tal-till-text-modellen Rumble-2-Flash nu kan laddas ner gratis med öppna vikter. Modellen har 0.5 miljarder parametrar och kan automatiskt identifiera fler än 40 språk. Den kan användas via Hugging Faces 🤗 Transformers-bibliotek, vLLM eller Reson8:s eget API, som kostar €0.01 per ljudtimme. Enligt företaget bearbetar modellen en timmes ljud på ungefär en halv sekund, vilket ger en genomströmning på över 7,000 gånger realtidshastigheten (RTFx) med fulla batchar.
Hur träffsäker är den lilla modellen?
På den flerspråkiga delen av Hugging Face Open ASR Leaderboard fick Rumble-2-Flash en genomsnittlig ord-felfrekvens (WER) på 6.96 % för sju språk. Det är bättre än Meta-modellen omniASR-LLM med 7 B parametrar och OpenAI:s Whisper large-v3. För enbart engelska uppgav modellen en WER på omkring 5 %. I ett test av brusiga samtal från AppTek (302 timmar, 14 engelska dialekter) fick den 7.86 % WER – i princip samma resultat som NVIDIA:s Nemotron 3.5 Transcribe med 30 B parametrar och bättre än Qwen3-ASR med 0.6 B parametrar (8.7 %).
Därför är det här viktigt nu
De flesta stora talmodeller utvecklas främst för engelska, vilket gör att talare av andra språk ofta får högre felfrekvens. Reson8:s vd Raoul Ritter påpekar att språk som talas av miljontals människor, till exempel nederländska och svenska, ofta ”kommer i andra hand”. Med en liten, snabb och flerspråkig modell som är gratis kan utvecklare lägga till transkribering i appar utan att betala för enorma molntjänster eller hantera dyra licenser. Det låga priset – tusen timmars ljud kostar €10 – gör också modellen användbar för småföretag, lärare och hobbyanvändare som behöver transkribera stora mängder ljud.
Varför det spelar roll
För ett litet företag som behöver transkribera kundsamtal erbjuder modellen träffsäkerhet i nivå med företagslösningar till en bråkdel av kostnaden. För en student eller poddare innebär den att timmar av inspelningar kan omvandlas till text på några sekunder utan att betala en stor molnleverantör. Den öppna lanseringen gör det också möjligt för forskare att experimentera med flerspråkig taligenkänning utan att bygga en modell från grunden.