Rumble-2-Flash:支持40多种语言的开源0.5B语音模型
2 天前 2 阅读来源:HuggingFace Blog
AI 中文改写
原文为英文,由 AI 改写为中文报道,内容完整。如需参考原文请点击下方链接
语音识别赛道又出现一个“以小博大”的选手。11月18日,Reson8团队在HuggingFace上开源了Rumble-2-Flash,这是一个参数量仅0.5B的语音识别模型,支持40多种语言,官方称其表现可与体积大3到60倍的模型竞争。模型采用Apache 2.0协议,意味着商用基本没有障碍,对需要做多语言客服转录、会议记录、短视频字幕的出海团队来说,这是一个值得关注的选项。
从技术路线看,Rumble-2-Flash基于Qwen3-ASR架构,因此可以直接在Transformers和vLLM中运行,不需要额外写适配代码,也不用开trust_remote_code。它的“小”是靠蒸馏换来的:团队把自家更大的生产模型Rumble-2作为教师模型,用on-policy蒸馏训练学生模型——学生自己转写音频,教师逐token给出概率分布并纠正,学生因此能在自己犯错的点上被修正。难点在于两个模型的分词器不同,团队用名为GOLD的方法把分词差异合并,使师生模型在同一段文本上对齐比较。效果上,在Open ASR Leaderboard多语言赛道,该模型在中文、德语、法语、意大利语、西班牙语、葡萄牙语、印地语、荷兰语和英语上的平均错误率为6.96%,优于大15倍的Meta omniASR-LLM 7B,也领先Whisper large-v3;英语赛道平均WER为6.6%。速度方面,批量跑满时可达7000以上RTFx,约半秒处理一小时音频。更关键的是真实场景:在AppTek的302小时呼叫中心基准(含14种英语口音)上,Rumble-2-Flash的WER为7.86%,与英伟达30B的Nemotron 3.5 Transcribe(7.78%)基本持平,明显好于同门的Qwen3-ASR 0.6B(8.7%),仅略逊于Qwen3-ASR 1.7B(7.4%)。对跨境电商卖家而言,这意味着用一块消费级显卡甚至CPU集群,就能低成本搭建多语言语音转写能力,处理海外客服录音、直播回放和用户语音留言的门槛进一步降低。
这篇文章对你有帮助吗?
觉得有用?分享给更多人
留言 · 0 条
暂无留言,来说两句吧
