Rumble-2-Flash 以 Apache 2.0 开源:0.5B 参数语音识别模型支持 40 多种语言,多语种平均错误率 6.96%
一个能塞进小机器的多语种语音识别模型,原生支持 Transformers 和 vLLM。适合要在自己服务器上做转写、又在意中文效果的团队。
// 要点
- 0.5B 参数,40 多种语言自动识别;用 Qwen3-ASR 架构,Transformers 与 vLLM 原生支持,不需要自定义代码。
- Open ASR Leaderboard 多语种赛道(含中文、德语、法语、印地语等 9 种)平均错误率 6.96%,好于参数多 15 倍的 Meta omniASR-LLM 7B 与 Whisper large-v3;英语赛道 WER 6.6%。
- 满批次吞吐超过 7,000 RTFx,约半秒转写一小时音频;在 302 小时的呼叫中心基准上与 30B 的 NVIDIA Nemotron 3.5 Transcribe 相当。
- 由更大的 Rumble-2 用在线策略蒸馏得到,借 GOLD 方法解决师生模型分词器不同的问题。
开发者视角智能面试要把候选人的回答转成文字再分析,0.5B、Apache 2.0、还能直接上 vLLM,正好可以替掉按分钟计费的云端转写。我会拿一批真实的中文面试录音测字错率,重点看口音和中英夹杂;它的电话音频成绩是英文基准,中文表现要自己验。