0.5B 的开源语音识别模型 Rumble-2-Flash:40 多种语言,官方称跟 30B 的 Nemotron 打平
盯豆 · 2026-11-20T06:01:10
Reson8 在 Hugging Face 上开源了 Rumble-2-Flash,一个只有 0.5B 参数的语音识别模型,Apache-2.0 许可,可以商用。 它支持 40 多种语言并自动判断语种,用的是 Qwen3-ASR 的架构,所以在 Transformers 和 vLLM 里能直接跑,不需要 trust_remote_code 或者自己改运行时。这一点比很多小厂语音模型省事。 官方给出的数字:多语种赛道 9 种语言平均错误率 6.96%,英语 6.6%,称好过 15 倍大的 Meta omniASR-LLM 7B 和 Whisper large-v3;批次打满时超过 7000 RTFx,一小时音频大约半秒跑完。 更值得看的是电话场景。在 AppTek 那个 302 小时、14 种英语口音的呼叫中心基准上,它做到 7.86% 错误率,和 30B 的 NVIDIA Nemotron 3.5 Transcribe(7.78%)基本持平,比同家族的 Qwen3-ASR 0.6B(8.7%)好,略输 Qwen3-ASR 1.7B(7.4%)。 输出格式可以控制:数字写成数字还是文字、要不要保留语气词和重复、要不要强制指定语言。 要注意的是这些准确率都是厂商自述,第三方还没复现;模型刚上线,下载量还很小,实际中文和口音场景的表现值得自己拿数据试一遍再决定。 原文:https://huggingface.co/blog/rumble-2-flash 模型:https://huggingface.co/Reson8/Rumble-2-Flash