we_are_coded.by CODE · Светът, декодиран
EN

Reson8 · реч / Speech

Reson8 отвори Rumble-2-Flash: модел за реч с 0,5 милиарда параметъра за над 40 езика, а при телефонни разговори е наравно с 30-милиардния Nemotron, по данни на Reson8

Reson8 публикува на 18 ноември Rumble-2-Flash под лиценза Apache 2.0. По данни на Reson8 на телефонни разговори грешката му е 7,86% срещу 7,78% при Nemotron 3.5 Transcribe. Пълния списък на езиците публикацията не дава.

Източник
Reson8
Публикувано
Събитието
Проверено на
Отговорен редактор
Цветелин Иванов
Как работим
МетодКорекции

Чист запис е лесен. Телефонният разговор е другият изпит: компресиран, шумен, с хора, които говорят с много различни акценти. Точно там Reson8 мери новия си модел и казва, че Rumble-2-Flash, с 0,5 милиарда параметъра, върви наравно с 30-милиардния Nemotron на NVIDIA.

Факт

Фактите: на 18 ноември 2026 г. Reson8 публикува в блога на Hugging Face, че отваря Rumble-2-Flash под лиценза Apache 2.0. Това е модел за разпознаване на реч с 0,5 милиарда параметъра за над 40 езика, който по данни на Reson8 се мери с модели 3-60 пъти по-големи. Използва архитектурата Qwen3-ASR и работи в Transformers и vLLM без собствен код. В многоезичната категория на Open ASR Leaderboard по данни на Reson8 средната грешка е 6,96% за китайски, немски, френски, италиански, испански, португалски, хинди, нидерландски и английски: по-добре от omniASR-LLM 7B на Meta, модел 15 пъти по-голям, и пред Whisper large-v3. В английската категория средната грешка е 6,6% WER. По скорост Reson8 съобщава над 7,000 RTFx при пълни партиди, тоест час аудио за около половин секунда. На теста на AppTek (302 часа обаждания до помощни линии, 14 английски акцента) Rumble-2-Flash стига 7,86% WER, наравно с Nemotron 3.5 Transcribe (30B) със 7,78%. Qwen3-ASR 0.6B е с 8,7%, а Qwen3-ASR 1.7B - със 7,4%. Теглата са в Hub като Reson8/Rumble-2-Flash, а моделът се предлага и през API на компанията.

Наравно не значи по-добър. Nemotron е със 7,78%, Rumble-2-Flash със 7,86%: малко зад него, при 30 милиарда параметъра срещу 0,5. Класацията и тестът са външни, но резултатите ги отчита самата Reson8. Скоростта също има условие: половин секунда за час аудио важи при пълни партиди, а при непълни пропускателната способност пада.

По-интересното е как е направен. Reson8 е взела Rumble-2, по-големия си модел, който ползва в продукция, и го е дестилирала в малкия. Ученикът не учи от преписи, написани от учителя. Сам транскрибира аудиото, а учителят оценява транскрипта токен по токен: на всяка позиция казва колко вероятно е всяко продължение, и ученикът се учи да го следва. Така го поправят точно на грешките, които прави. Има и пречка: двата модела нямат общ токенизатор, защото Qwen3-ASR носи своя речник. Методът GOLD слива токените, където двата токенизатора режат текста различно, и така двата модела се сравняват върху един и същ текст.

Ученикът пише сам. Учителят оценява всеки токен.

А останалите езици? Публикацията не дава списъка на езиците: изброени са само деветте от многоезичния тест. Кои са останалите, източникът не казва, затова и ние не казваме. Не пише и каква е цената на API, и колко голям е Rumble-2.

Свали теглата и пусни през модела свой запис на твоя език, от телефон, не от студио. Докато няма списък с езиците, друга проверка няма.

Визуалът към статията е генериран код-арт, без чужди изображения.