Vai al contenuto
AI.info

The Pulse

Reson8 rilascia un modello open di riconoscimento vocale per oltre 40 lingue

Reson8 ha rilasciato i pesi di Rumble-2-Flash, un modello di riconoscimento vocale con 0,5 miliardi di parametri, con licenza Apache 2.0. In precedenza il modello era disponibile tramite l’API dell’azienda per l’audio preregistrato.

Reson8 rilascia un modello open di riconoscimento vocale per oltre 40 lingue

Reson8 ha rilasciato i pesi di Rumble-2-Flash, un modello di riconoscimento vocale per oltre 40 lingue, con licenza Apache 2.0. Il modello da 0,5 miliardi di parametri può essere eseguito usando Transformers o vLLM senza codice personalizzato, secondo il post dell’azienda su Hugging Face.

Il modello era già disponibile tramite l’API di Reson8, dopo un lancio che l’azienda ha datato al 3 novembre. Il lancio precedente offriva un servizio di trascrizione a consumo a partire da 0,01 € per ora di audio.

Cosa possono usare gli sviluppatori

Il modello può rilevare automaticamente la lingua dell’audio, oppure uno sviluppatore può specificarla. Gli sviluppatori possono anche scegliere se i numeri devono comparire in cifre o in lettere, se mantenere le parole di riempimento e se trascrivere alla lettera le parole ripetute.

I pesi sono disponibili nel repository Reson8/Rumble-2-Flash su Hugging Face e il modello resta disponibile tramite l’API di Reson8. Usa l’architettura Qwen3-ASR e accetta audio fornito come percorso locale, URL, array NumPy o elenco di questi input.

La documentazione dell’azienda descrive l’API per l’audio preregistrato come un servizio che restituisce una trascrizione semplice, senza etichette dei parlanti, timestamp o personalizzazione del vocabolario. Indica Rumble-2-Flash come supportato nell’endpoint per l’audio preregistrato, ma non negli endpoint realtime o turns.

Risultati dei test riportati

Nella categoria multilingue dell’Open ASR Leaderboard, Rumble-2-Flash ha registrato un tasso di errore medio del 6,96% su cinese, tedesco, francese, italiano, spagnolo, portoghese, hindi, olandese e inglese, secondo il comunicato. Il post afferma che il risultato è migliore di quello di omniASR-LLM 7B di Meta, che descrive come 15 volte più grande, e superiore a Whisper large-v3.

Nella categoria inglese, il modello ha registrato un tasso medio di errore delle parole del 6,6%, afferma il post. Nel benchmark per call center di AppTek, il test ha coperto 302 ore di chiamate alle linee di assistenza con 14 accenti inglesi e ha usato lo script di valutazione di AppTek.

Reson8 riporta un tasso di errore delle parole del 7,86% in quel test per call center, rispetto al 7,78% di Nemotron 3.5 Transcribe di NVIDIA, un modello con 30 miliardi di parametri. Lo stesso confronto indica l’8,7% per Qwen3-ASR 0.6B e il 7,4% per Qwen3-ASR 1.7B.

Il throughput dipende da quanto sono pieni i batch. Reson8 riporta inoltre un throughput superiore a 7.000 RTFx sui dataset più grandi dell’Open ASR Leaderboard, quando i batch restano pieni: secondo l’azienda, ciò equivale a elaborare un’ora di audio in circa mezzo secondo.

Come è stato addestrato

Reson8 ha addestrato il modello più piccolo usando il suo modello di produzione più grande, Rumble-2, con un metodo chiamato distillazione on-policy. Il modello più piccolo trascrive l’audio autonomamente e quello più grande valuta il suo output token per token; il modello studente impara quindi a riprodurre le probabilità del modello docente.

I due modelli usano tokenizer diversi, che suddividono il testo in unità da elaborare. Una tecnica chiamata GOLD allinea i loro output unendo i token nei punti in cui i tokenizer suddividono il testo in modo diverso. I token presenti in entrambi i vocabolari vengono confrontati direttamente, mentre quelli rimanenti vengono confrontati in base alle rispettive probabilità ordinate.

Fonti

  1. Hugging Face
  2. Reson8
  3. Reson8

Aziende in questa notizia

Notizie correlate

Esplora

Altri articoli